1、經營效率與企業危機相關性研究東吳大學國貿所 張大成台北商業技術學院 周麗娟銘傳大學財金所 黃筱雯壹、緒論企業發生危機的原因可能有財務結構不良或經營效率不彰兩種因素，但過去的學者及研究人員在建立企業危機預警模式時，多半只考慮到公司的財務比率或總體經濟變數，而忽略了經營效率對於企業發生危機的影響。本文以近十年企業經營失敗的公司，並選取若干同產業、體質相近之正常公司作為對照組，觀察經營效率與企業發生危機間是否具有相關性。實證結果顯示，在經營效率方面，失敗公司在接近危機發生年度時本業經營效率確有惡化的趨勢；且長期而言正常公司群體之平均經營效率值優於失敗公司群體。故短期而言，財務方面的惡化為企業發生危機
2、的肇因；但長期來說，本業方面經營效率不彰，於競爭過程中遭市場淘汰，為導致企業發生失敗的主因。近年來台灣企業危機頻傳，經營不善或財務周轉失靈而導致失敗的公司分布於各產業中，如台鳳食品、大穎塑膠、新泰伸銅、國產汽車及尖美建設等。有鑑於企業若發生財務危機或陷於經營困境時，對社會將會造成嚴重的衝擊，廣大的投資人與債權人將蒙受損失，公司員工會因失業而使生計陷入困境，若是上下游產業也因遭受波及而引發連鎖倒閉事件，則後果的嚴重性更是不堪設想。故財政部於 87 年底集資約 600 多億元，作為企業危機紓困貸款金額，同時更要求貸款銀行不得緊縮危機企業銀根，以協助危機企業渡過財務危機。由於當前的金融環境，及全球化
3、使企業間競爭加遽，我們相信，因經營不善而被市場淘汰的公司數目將不斷增加，所以企業危機預警模式的建立有其必要性。過去的學者及研究人員，在建立預警模式時，多以公司的財務比率或總體變數作為解釋危機發生之變數，如 Altman（1968 ）的區別分析法（Discriminant analysis） ；Zmijewski （1984）採用的 Probit 模型，及Ohlson（1980）採用的 Logit 模型。事實上，一家公司之所以發生危機，原因可能有以下兩點：1. 其財務結構發生問題。例如採用過高的財務槓桿，或是公司負責人掏空公司資產來炒作有價證券；當外在環境發生變化（如：無法償還利息本金或股市景氣
4、不佳）時，公司將發生財務危機而造成失敗情況。2.該公司本身經營效率不彰，在競爭中被市場淘汰，從而發生企業失敗的現象。申言之，我們認為既有文獻中所採用的財務指標或總體經濟指標，並不足以完整解釋一家企業之所以發生危機的原因，因為它們大多只考慮到公司財務2結構方面的問題，而忽略考慮公司的經營效率。此外，Bauer, Berqer and Humphre（1999，頁 86 及頁 108）指出，傳統會計上所使用的效率比率值，明顯的會受市場價格、要素價格及其他市場外生因素的影響。故本文利用生產函數所估計的效率指標，透過統計的方法，將上述外生因素的干擾予以排除，將可更完整地表達企業經營效率的觀念。於既有文
5、獻中，Cebenoyan, Cooperman and Register（1993）採用經由成本函數所估算之無效率指標，與不同地區之個人所得、資產總額等變數一起納入Logit 模式中，作為美國儲貸銀行經營失敗之研究，這也是我們唯一發現將公司本業之經營效率納入預警模式考量之文獻。但由於該文並未考慮財務結構變數，似乎又忽略了公司失敗的另一可能原因。總言之，我們認為，基於企業可能經營失敗的兩大原因：財務結構不良與本業經營效率不彰，在既有的文獻預警模式中，皆未能將兩者同時納入考慮。故本研究的主要目的為將企業經營效率納入預警模式中，藉以分析經營效率與企業危機發生間的關係。本文臆測，若納入企業經營效率後可
6、增加危機預警模式之區別能力，則可判定本業效率不良也為導致企業危機發生的原因之一。同時可避免未來主管當局將紓困貸款用於非短期財務周轉不靈，而為長期經營不善的企業，使紓困貸款能做最有效率的運用。就樣本而言，本研究擬將近十年企業經營失敗的公司納入樣本，另外亦會選取若干相同產業、體質相近的健全公司作為對照組。至於就企業經營效率的估計，本文將利用 translog 生產函數，採用 Battese and Coelli（1995）的隨機邊界模型，以合併橫斷面與時間序列資料（Panel data）來估計企業個別技術效率。其次我們亦將採用其他財務比率，例如：負債比率、流動比率、等等，及其他總體變數，作為本研究
7、的控制變數；而對於多種不同財務變數的選取，本文將採因素分析法，進行變數之萃取。最後，我們將以預警模式中廣受學者使用的Logit 分析法，來建構本研究之預警模型；並探討納入了企業經營效率後，是否能否增進模型的區別能力，以觀察經營效率與企業發生危機之關聯性。本文章節安排如下：除本節為研究動機之介紹外，第二節為相關文獻之探討。第三節則為研究方法的介紹，其中包括有企業經營效率之估計、財務變數選取之因素分析方法與 Logit 分析方法之介紹。第四節為本文樣本挑選之準則與資料來源。第五節分析本文之實證結果，最後則為結論。貳、文獻探討文獻上探討公司經營失敗的預警模式，主要可區分為：單變量分析法、多變量分析法
8、及解釋變數受限制下的迴歸分析法（包括：Probit 及 Logit 模式） ；以下就針對上述議題之相關文獻作逐一介紹。Beaver（1966 ）以單變量分析法建立預警模式，為最早將財務變數的預測功能引入實證領域中。其研究方法為，以 79 家財務失敗的企業為準，並針對每一失敗企業，尋找相同產業，規模相近的另一家未失敗企業為配對樣本，蒐集3其失敗企業及配對樣本企業在財務危機發生前五年之財務報表，以計算 14 個財務比率。再透過 Mann-Whithey-Wilcoxen 無母數統計之二分類檢定法，計算所有企業在上述財務比率的比值及順序，求取臨界點而使得錯誤分類之百分比為最低。雖然 Beaver 的
9、研究在方法上有許多的新意，例如他採取配對選樣方法，以控制樣本觀察值之間因行業因素及規模大小因素所引起的混淆效果；但因不同財務比率的預測方向及能力常存在極大差異，甚至會有互相矛盾的情形，故單變量分析方式雖然簡易，卻遭受諸多批判；為解決此一問題，多變量區別分析法因應而生，且逐漸取代單變量分析方式於財務預警模型中。最早以多變量分析法運用於企業失敗預測模型上應首推 Altman（1968） ，其蒐集 33 家破產公司為標準，再按各行業別隨機抽樣，選取未破產公司為配對樣本，考慮 22 種財務比率，經逐步線性區別分析（Stepwise Multiple Discriminate Analysis； MDA
10、） ，萃取得到 5 種最具預測能力的財務比率，構成一條類似迴歸式的區別函數，進而求算 Z 值（亦稱為 ZScore 模式） 。該模型在破產前一年的預測準確度高達 95，但在破產前兩年的準確度降至 72。故 Altman 的研究結論指出區別模型對於企業失敗的預警只限於短期有效，超過兩年以上即不適用。然而，由於多變量區別分析法，需假設解釋變數為多元常態分配且不得存在高度線性重合關係，同時其配對的兩樣本之變異數共變數矩陣亦需相同。但根據潘玉葉（1990）研究發現，台灣上市股票公司的財務比率多不符合常態分配之假設；且實際上，經營失敗與正常經營的公司間其共變異矩陣並不相同。因此後續學者多改採 Binar
11、y Dependent Variable 的機率模型，即 Probit 或 Logit模型進行預警模型的建立。Ohlson（1980）認為，由於多變量區別分析法在使用上諸多限制，首先質疑以多變量區別分析法所建構的預警模型，而建議以 Logit 迴歸分析法進行財務危機預警之研究；蒐集 1970 年到 1976 年破產之公司 105 家及未破產公司2058 家，利用 9 個自變數建構了三個危機預警模型，實證結果顯示其正確率分別為 96.12、95.55、92.84，其區別效果較之前學者更為顯著。而 Collins and Green（ 1982）則比較區別分析法及 Logit 分析法的預測效果，其
12、實證結果認定 Logit 模式之預測效果較多變量區別分析法模式為佳。此外，Mensah （1984）則同時考慮公司的 38 種財務比率及其他總體變數（如：通貨膨脹率、利率、景氣循環及可用的信用額度）等指標，利用因素分析法（Factor Analysis）進行解釋變數之篩選，並同時利用多變量區別分析模式與 Logit 分析模式，建立企業失敗預警模型；結論為在相同的經濟情況下，不同的產業應運用不同的預測模型，可有效增進模型的預測能力。不同於 Mensah（1984）的結果，Bhargava, Dubelaar and Scott （1998）利用 Logit 模式進行零售業之預警模型之建立，該文認
13、為就不同的產業別而言（例如：零售業與製造業） ，使用相同的預測模式，其結果並無統計上的差異；4換言之，該文建議就企業危機預警模式而言，可以同時涵蓋不同的公司與產業別。Lo（1986）則認為就不同預警模式的配適能力而言，若樣本資料符合常態分配，則多變量區別分析模式將較 Logit 區別分析模式有效率；但若資料不符合常態分配時，則 Logit 分析模式較多變量區別分析法模式為佳。故該文建議後續研究者應先利用文中的 Hausman 檢定法，進行樣本型態的檢定。值得一提的是 Cebenoyan, Cooperman and Register（1993）採用經由成本函數所估算的無效率指標，加上不同地區之
14、個人所得、資產總額等變數，利用Logit 模式探討美國儲貸銀行經營失敗之研究；這是我們唯一發現一篇將經營效率納入企業失敗預警模型的文獻。另外，在財務危機預測中，學者大多使用財務比率作為模型的自變數，由於財務比率資料多由會計報表中得到，受限於歷史成本原則，許多資產資料都由不同年度的資料組成，而不同年度的物價水準不一，但是大部分的學者並未對財務報表進行調整；Mensah（1983）利用特定物價水準（Specific Price Level）來調整財務報表中的會計資料，再運用調整後的資料建立預警模型，視其是否優於只利用歷史資料所建立之模型，結果顯示並無法明顯改善模型預測能力。針對這一點，國內由劉怡顯
15、（1988）實證後發現，經過一般物價水準調整後之財務資料，在財務危機預測方面，並不比傳統歷史成本的財務資料效果好，獲得一致的結論。最後，在國內相關文獻方面；陳明賢（1986）首度將 Probit 及 Logit 模型運用於財務危機預測上，實證結果發現比國內同型研究在預測能力上有較好之表現。潘玉葉（1990）則透過檢定，發現台灣股票上市公司的財務比率大多不符合常態分配之假設，在 20 種財務比率中，僅有營運資金百分比、負債比率、銷貨毛利率及營業報酬率在 5的顯著水準下符合常態分配，因此建議利用 Logit模式建立企業失敗的預警模型。參、研究方法一、企業經營效率之估計本研究將採 translog
16、的生產函數進行效率指標之估算；而就效率指標而言，我們將採用計量隨機邊界法（econometric stochastic frontier approach）進行隨機生產函數之估計；由於資料型態屬於棋盤式資料（panel data） ， 1因此我們將採用 Bettese and Collie（1995）之模型，進行參數及效率指標之估計。一般 panel data 的模型設計大多根據 Aigner, Lovell and Schmidt（1977）的隨機邊界模型予以延伸到時間序列而得：（3.1）NiTtitititit uvxY1,2.其中 i 代表廠商；t 代表時間；Y 為總產出；x 是解釋變數
17、（包含各項要素1 棋盤式資料（panel data）即為橫斷面與時間序列之合併資料。5投入：勞動、資本與原物料投入） ；v it 為隨機誤差項（white noise） ， 2包括生產上之衡量誤差、氣候、工廠突發狀況，均為人為無法控制；u i 為代表第 i 家廠商的人為技術效率誤差，且對於所有的廠商而言，u i0。 3根據 Schmidt and Sickles（1984）的分類，以棋盤式資料為架構所建立的隨機邊界模型可用以下三種方法來估計：固定效果模型（Fixed Effect Model） 、隨機效果模型（Random Effect Model）與最大概似法（Maximum Likelih
18、ood Estimator ） 。固定效果模型中與隨機效果模型中皆假設 ui 不會隨著時間變動，但是這種假設太過於強烈，廠商透過經驗的累積，學習效果應會出現，技術無效率應隨著時間的變動而變動。其後，Bettese and Coelli（1995）提出無效率隨時間變動之橫斷面資料模型，並將影響廠商無效率的因素同時納入模型考慮，而以最大概似法來估計。其所設定的無效率邊界模型為：)(expitititit uvY（3.2）在(3.2)式中，隨機邊界模型之技術無效率 uit 可設定如下：itititWzu（3.3）其中 Yit 表示第 i 廠在第 t 期之實際產出觀察值，但不需要每個廠商均有 t期觀察
19、值，只要其中有一家具備即可。 4 xit 表示在第 t 期第 i 廠之要素投入，為（1 k）矩陣； 為待估參數之（ k1）矩陣； ，並假設與 uit 之),0(2vitNv分配獨立；u it 為非負隨機變數，由生產之技術無效率因素組成，並被設定為以0 為截斷點，平均數為 zit ，變異數為 2 之截斷性常態分配；而 zit 表示廠商在期間內由生產效率解釋變數組成的向量（1 m） ； 為未知係數向量（m 1） ；隨機變數 Wit 定義為平均數為 0，變異數為 2 之截斷性常態分配。在(3.2)式中設定了和原始產值有關的隨機生產函數，式(3.3)中無效率函數uit 則為無效率解釋變數 zit 和未
20、知係數 所組成，且亦允許將之前的要素投入變數納入(3.3) 無效率迴歸式中。我們使用最大概似法（MLE）進行上述式(3.2)及式(3.3)中參數的求解；而由變異數來表示概似函數（Likelihood Function）為： 及22vY。 為總變異；其中若 愈接近 1，表示產出水準的變化愈可以由2/Y無效率解釋變數所解釋。故第 t 期第 i 廠之技術效率為：)()(itititit WzuTEexpe2 為對稱性之隨機誤差常態變數， 。iviv,0(2vN3 ui 具有單邊（0）之半常態即 或指數分配。)4 縱橫資料(Panel data)可為 unbalanced 的型態；balanced p
21、anel data 要求每家廠商的時間長度一致。6（3.4）在式(3.4) 中，TE it（技術效率）介於 0 及 1 之間，該值越大代表此廠商之技術效率越高。最後，再假設生產函數為 translog 型態；無效率來源為 k 個廠商特性變數的線性組合，其中包含了要素投入與廠商特性變數。故本研究對於經營效率估計所採之實證模型如下：ititijt jtitijititit uvxxY lnln21（3.5）itktktit wzu（3.6）本研究將採 Front41 軟體， 5 作為效率模型之估計。在效率估計之投入變數方面，我們參考了 Huang and Liu（1994） 、蘇莉萍（1994）
22、、徐明宜（1998）的模型，採用了以下的投入、產出及企業特性變數以估計企業經營效率： 產出：Y：企業全年產出總額。企業全年產出總值應以銷貨收入為衡量標準。要素投入：L：企業勞動投入。包括直接人工、間接人工、推銷人員、管理人員之薪資、工資、訓練費、伙食費、資遣費、退休金、福利金、獎金，至於外包加工工資屬於外購成本不予列計。K：企業資本投入。以企業全年實際運用固定資產總（毛）額表示，包含土地、廠房、倉庫、營業場所、車輛、機器、電器等。M：企業之原材、物、燃料投入及電力支出。相當於企業原材物燃料支出與電力支出之加總。 企業特性變數：R&D 比率：從事研發活動之費用比。 T：廠齡，代表企業自登記起至當
23、年的年數。二、因素分析法因素分析假設樣本單位在某一變數上的反應(即觀察值或分數)是由兩個部份所組成：一個是各變數共有的部份，稱為共同因素（common factor） ，另一個是各變數所獨有的部份，稱為獨特因素（unique factor） ，獨特因素與共同因素和其他變數的獨特因素均無關聯。其模式如下：jikijijijji UdFaFaZ.21（3.7）5 由澳洲 Coelli 教授研發，可由此網址下載：http:/www.une.edu.au/econometrics/cepa.htm7Zji : 第 i 個樣本在第 j 個變數上的值，Fki : 第 i 個樣本單位在第 k 個共同因素上的
24、值，ajk : 第 k 個共同因素對第 j 個變數之變異數的貢獻，也稱為因素權重(factor weight)或組型負荷量 (pattern loading)，dj : 第 j 個變數之獨特因素的權重，Uji : 為該單位在第 j 個獨特變數的獨特因素的值，假設有 n 個樣本單位，則這些樣本在第 j 個變數的分數之變異數為：212212)( jjnijiijjij dhZZ（3.8） ：變數 j 之共同性(communality) ，2jh：變數 j 的獨特因素所解釋的變異數部份，稱為獨特性(uniqueness)d假定各共同因素之間沒有相關存在，則共同性( )為：jh（3.9） 1.2212
25、jkjjj aa本研究係以因素分析中的探索性因素分析(exploratory factor analysis)從眾多的變數中找出共同的屬性來加以分析，因素之抽取則以主成份分析法為之。本研究運用因素分析之步驟如下：1.估計共同性 ih由於主成份分析法不考慮獨特因素，故其共同性為 1，因此將之置入相關係數矩陣之對角線中，而不另行估計。2.抽取共同因素及共同因素數目的決定本研究以主成份分析法抽取共同因素，以 Kaiser(1960)所主張採用之標準，保留特徵值 (Eigenvalue)大於 1 的共同因素。3.因素轉軸一般因素分析所得的結果，往往很難加以解釋。而為了方便因素的解釋，必須將因素軸加以旋
26、轉，才能顯現出各個因素所含的真正意義。本研究以 Harris-Kaiser 座標轉軸法，即變異最大法（ Varimax）進行轉軸。4. 解釋各共同因素所代表之意義與變數選擇結果。5. 計算每一筆資料之因素得點（Factor Score ） ，作為其後以 Logit 建立預警模中的自變數。因素得點的計算方式如下：第 i 個樣本的第 k 個因素的因素得點設為 fik(3.10)piijikZbf1(3.11)pjjkjkra18其中 rjj是相關矩陣 rjj 的逆矩陣。三、Logit 分析法由於國內股票上市公司的財務比率大多不符合常態分配的假設，故本研究將採用 Logit 模型來建立企業預警模式。
27、本法為先將樣本區分為兩群 (例如：危機公司或正常公司)，然而估計結果則是以機率值的型態表示。估計方法說明如下：首先，假設真正模式(true model)如下：iiiuxy*（3.12） 然而 是無法觀察的，但我們可以觀察到 的另一替代變數 ，即：*i *iyy（3.13） otherwisyifyi001*例如：危機公司： =1，正常公司： =0。因此，我們可以求得：y)(1)(iii xGubbPrPr（3.14）其中 G 為 的累積分配函數(cumulative distribution function)，由於此一模iu式，我們所觀察得到的 值不是 0 就是 1，因此，可視其為機率如(3
28、.14)式描述iy的二元分配(binomial)，故其概似函數(likelihood function, L)為：01)()(i iyyixGxL（3.15） 若 為 Logistic 分配，則可知：iu)(1)(ii xxGep（3.16） 從而(3.16)式的概似函數可改寫成01)()(1i i iiy yyii xxLepepni inii1)()(x（3.17） 9其最大概似估計量(maximum likelihood estimator, MLE)可以下式表達：0)(1)( 1niiinii yxxSep（3.18） 由於上式之 為一非線型的函數，因此必須利用反覆迭代的方式進行求ML
29、E解，直到 值收斂為止。另外，須說明的是就企業經營危機之機率預測值而言，即其估計函數為：（3.19） )(1)(0)( iii xxGyobepPr 肆、樣本選取與資料來源本研究的研究範圍為台灣地區股票上市公司，研究期間為民國 79 年到 89年 9 月底止。在失敗公司認定的操作性定義方面：若上市公司終止上市，或變更交易方法（全額交割或分盤競價） ，或主動向財政部申請暫停交易，則認定為失敗公司；反之，則為正常公司。資料來源則為台灣證券交易所彙編之營運困難公司概況表，台灣經濟新報（TEJ）艱困上市公司資料庫，及經濟日報與工商時報中登載的全額交割公司、下市公司及暫停交易公司。另外並根據失敗公司樣本
30、，於正常公司中選擇相同產業別、相同年度、相近資產總額的公司作為配對樣本，配對的比例原則上為 1：2，也就是一家失敗公司配上兩個營運正常公司，以避免 Zmijewski（1984）提出可能對失敗公司過度抽樣的問題；但是部分危機公司的配對樣本選取困難，故只能選取到一家營運正常公司作為配對樣本。依據前述原則，我們共計獲取 27 家失敗公司及 45家正常公司作為本研究之研究樣本。茲將失敗公司及配對樣本公司彙整於表 4-1：10表 4-1 失敗公司與配對樣本公司概況表產業 失敗公司 年度 配對公司 產業 失敗公司 年度 配對公司味王 89 大成、中日 電機 中精機 87 士電台鳳 89 味全、嘉食化 電
31、纜 台光 88 台一、三洋益華 89 愛之味、泰山 化學 正豐 85 和桐、三晃順大裕 87 尚德、台榮 大鋼 88 春雨、中鋼構立大 88 福壽 友力 88 第一銅、千興台芳 87 福懋、佳格 名佳利 87 嘉益食品聯成食 87 聯華食、天仁 峰安 88 燁興、燁輝尚鋒 85 大洋 紐新 88 桂宏、盛餘普大 87 上曜鋼鐵新泰伸 87 美亞大穎 88 台苯、東陽 橡膠 南港 84 泰豐、厚生塑膠延穎 88 台達、福聚 三富 86 和泰瑞圓 88 東華、年興 羽田 85 三陽紡織金緯 88 大宇、聯發汽車國產車 87 裕隆、中華玻璃 國賓磁 88 中釉 資料來源：本研究整理伍、實證結果一、上
32、市公司經營效率分析本研究在估計效率時，考慮到各失敗公司所處產業不一，故在效率估計時按不同產業分開估算。並採取將產業中所有上市公司皆納入模型的作法；因為企業本業的經營效率是否良好，應為相對整體產業而言，故若只以此產業中失敗公司群體去估算效率值，將失之偏頗。估計出之效率值為了方便比較，且突顯出各公司於經營效率方面的差距，將採用以下的公式來轉換原始效率值：（5.1）)(*xMinaxiixi：樣本公司之原始效率值；Max( x)：該公司所屬產業中效率最大值Min( x)：該公司所屬產業中效率最小值經過轉換後的效率值最大為 1，最小為 0。本文並分別就各上市公司在危機發生前四個年度，按危機與正常經營公司在不同產業的分布，比較分析其效率分數的差異。
