林嬋娟臺灣大學：會計學研究所李明萱Lee, Ming-ShiuanMing-ShiuanLee2007-11-282018-06-292007-11-282018-06-292005http://ntur.lib.ntu.edu.tw//handle/246246/61826近年來政府積極研修金融法規並強化金融監理制度，並將民國90年度訂為「金融改革年」加速推動多項重大金改措施，銀行績效評量與監理日益重要。本研究期建立一金融預警模型，採用逐步Logistic迴歸之混合逐步選擇法，並利用Logistic累積機率函數計算各銀行落入經營體質不佳群組之機率，該模型之應用除可作為現行「申報資料排序系統」監督銀行經營的輔助工具、金融監理單位分配金檢資源之參考外，所推估各銀行經營不佳之機率值亦可作為存款保險風險差別費率計價之依據。 本研究採用兩種方式定義問題銀行，分別建立模型A與B，再細分為八期間模型。模型A：參考West (1985) 以及我國「存款保險差別費率實施方案修正案」，以「檢查資料評等綜合得分」定義「經營體質不佳」群組，建立單年度模型88-A、89-A、90-A及三年度混合模型88-89-90-A；模型B：從我國類似美國立即導正措施規定中選取資本適足率等三種主要之銀行監理財務指標，定義「經營體質不佳」群組，建立單年度模型88-B、89-B、90-B及三年度混合模型88-89-90-B。 經本研究測試，模型A及B皆具有良好正確分類能力，其中單年度模型又較三年度混合模型為佳，正確分類率介於89.13%至95.56%間，加權效率性指標亦平均達66.65%，與以往文獻相較乃具水準之上。就模型預測能力而言，模型A較模型B為佳，且單年度模型相較於三年度混合模型為佳，正確預測率達73.91%至82.61%間，加權效率性指標可達53.40%。實證結果亦發現：(1) 樣本涵蓋的期間不宜過長，否則模型無法準確反映實況，建議以單年度資料建立之模型將優於以數年度混合資料所建立之模型；(2) 模型90-A較模型88-89-90-A與預測年度91年時間相近，故具較佳的預測能力，此意味預警模型之建構是一項持續性工作，相關指標與權數等之採用應隨整體金融環境與經營風險之變遷，予以檢視並進行調整；(3) 美國CAMELS評等系統所涵蓋之各評量構面皆攸關銀行體質良窳不可偏廢；(4) 任何統計預警模型極少能達百分之百之正確率，故在使用上宜注意其各年度之趨勢變化與分析，而非僅著重其單一年度結果，同時應併同其他資訊交互驗證，以提升模型之實用性。Recently Taiwan’s government has positively enacted financial bills and strengthened banking supervision while labeling 2001 as “the Year of Financial Reform” to expeditiously promote several critical measures of financial improvement. As the assessment and supervision of bank’s performance are getting significant, this study intends to build a stepwise logistic regression model for the Financial Early-Warning System (hereinafter referred to as EWS model) and takes advantage of its cumulative probability function to estimate the probability of being classified as the group with unsatisfactory condition for each bank. This model can serve as a possible guide to bank monitoring in an auxiliary role for the current “Call Report Percentile Ranking System” as well as can be a reference for banking regulators to efficiently allocate examination resources. Moreover, in terms of “Deposit Insurance Risk-based Premium System”, the risk level of individual insured institution can be determined by the probability derived from such model. In the study, model A and model B are respectively established by different definitions of problem banks. According to West (1985) and Taiwan’s “Implementation Scheme for the Deposit Insurance Risk-based Premium System”, it is single-year model 88-A, 89-A, 90-A, and three-year model 88-89-90-A that are built on the bases of “Composite scores of the Examination Data Rating System”. In contrast, to build single-year model 88-B, 89-B, 90-B, and three-year model 88-89-90-B, three main financial indicators, such as “capital adequacy ratio”, etc., are chosen from those in Taiwan’s prompt corrective action to identify problem banks. The empirical results show that both model A and B, especially the single-year models, are able to correctly identify the problem banks of the original samples with higher percentage of correct classifications, which is from 89.13% to 95.56%, and with better average weighted efficiency indicator, which is around 66.65%. With regard to the prediction results using holdout samples of next year, model 88-A, 89-A, and 90-A outperform model 88-89-90-A and model B in every test in terms of higher percentage of correct classifications and weighted efficiency indicator, which are from 73.91% to 82.61% and up to 53.40% respectively. Moreover, the study finds that (1) in order to increase the prediction accuracy of EWS models, the data set chosen from one-year period to build the models is better than that from three-year period. (2) Timely modifications and revisions of EWS models are necessary to meet with the rapid changes in the financial market and operational risks. (3) All the areas of CAMELS rating system of the US Federal Financial Supervisory agencies are relevant to the assessment of banks’ operational condition. No one can be neglected. (4) Due to the inherited limitation of predictive errors, it is appropriate to analyze and emphasize the long-term trend of models’ results rather than just to focus on short-term results, which might happen to be an error. The EWS model must also be complemented by on-site examination and other methods to enhance its usefulness.目 錄 謝 辭 Ⅲ 論文摘要(中文) Ⅳ 論文摘要(英文) Ⅵ 目 錄 Ⅷ 表 次 Ⅹ 圖 次 ⅩⅡ 第一章 緒論 1 第一節　研究動機 1 第二節 研究目的 2 第三節 研究範圍、研究期間及資料來源 5 第四節 研究架構及步驟 8 第五節 研究內容概述 9 第二章 研究背景介紹 10 第一節　我國金融機構體系與業務簡介及銀行產業概況 10 第二節 當前我國銀行體系所面臨之金融問題及改革措施 15 第三節 何謂金融預警系統 21 第四節 我國金融預警系統之實務運作現況 23 第三章 文獻探討與彙整 27 第一節 文獻回顧與評析 27 第二節 關於樣本分群之應變數定義探討 30 第三節 關於區別指標之自變數選取彙整 42 第四節 統計方法介紹與比較 56 第四章 研究方法之理論依據與研究設計 69 第一節 建立金融預警模型之程序 69 第二節 統計方法之選取及理論架構 71 第三節 研究對象、樣本與模型之設計 79 第四節 應變數之定義與說明 80 第五節 財務比率自變數之選取與說明 85 第六節 模型檢驗及判別模型正確區別與預測能力之指標 91 第五章 實證結果分析 99 第一節 建立本國銀行金融預警模型 99 第二節 本國銀行逐步Logit模型之預測能力測試 120 第三節 以預警模型推算88年至91年度銀行發生問題之機率值及趨勢分析 125 第四節 結論 132 第六章 結論與建議 136 第一節 研究內容摘要 136 第二節 研究發現與結論 138 第三節 研究建議 140 參考文獻 146 表 次 表1-1 本研究選取之研究對象明細及不列入選取範圍之年度及原因 6 表2-1 我國金融機構近年來經營家數統計表 12 表2-2 我國金融機構近年來國內總、分行放款餘額統計表 13 表2-3 我國金融機構近年來國內總、分行放款市場占有率統計表 13 表2-4 我國金融機構近年來國內總、分行存款餘額統計表 14 表2-5 我國金融機構近年來國內總、分行存款市場占有率統計表 14 表2-6 存保公司「檢查資料評等系統」與「申報資料排序系統」比較 26 表3-1 國內外金融預警模型之研究彙總 36 表3-2 國內外金融預警模型選取自變數方式及來源彙總 46 表3-3 國外相關文獻所採變數彙整表 48 表3-4 國內相關文獻所採變數彙整表：一般銀行 51 表3-5 國內相關文獻所採變數彙整表：基層金融機構 54 表3-6 金融預警文獻常用研究方法之基本假設彙整 67 表3-7 國內外金融預警文獻所常用之研究方法及其優缺點彙總 68 表4-1 本國銀行研究樣本與模型之設計方式 80 表4-2 模型B應變數所採三種指標以界定體質不佳銀行之統計表 82 表4-3 我國法令及政策有關本國銀行主要之立即導正措施規定 84 表4-4 事先選取之財務比率以作為模型自變數之說明表 90 表4-5 Logit及Probit模型分類正確率與誤差類型 96 表5-1 模型A模型B設計架構與變數解釋力測試表 100 表5-2 模型90-A之敘述統計表 102 表5-3 模型90-B之敘述統計表 103 表5-4 早期文獻Logit模型之加權效率性指標比較表 108 表5-5 模型88-A採逐步Logit選取最佳解釋變數與Logit所建立之模型彙整 110 表5-6 模型88-A之正確分類結果 110 表5-7 模型89-A採用逐步Logit選取最佳解釋變數與Logit所建立之模型彙整 111 表5-8 模型89-A之正確分類結果 111 表5-9 模型90-A採用逐步Logit選取最佳解釋變數與Logit所建立之模型彙整 112 表5-10 模型90-A之正確分類結果 112 表5-11 模型88-89-90-A採逐步Logit選取最佳解釋變數與Logit所建立之模型彙整 113 表5-12 模型88-89-90-A之正確分類結果 113 表5-13 模型88-B採用逐步Logit選取最佳解釋變數與Logit所建立之模型彙整 114 表5-14 模型88-B之正確分類結果 114 表5-15 模型89-B採用逐步Logit選取最佳解釋變數與Logit所建立之模型彙整 115 表5-16 模型89-B之正確分類結果 115 表5-17 模型90-B採用逐步Logit選取最佳解釋變數與Logit所建立之模型彙整 116 表5-18 模型90-B之正確分類結果 116 表5-19 模型88-89-90-B採用逐步Logit選取最佳解釋變數與Logit所建立之模型彙整 117 表5-20 模型88-89-90-B之正確分類結果 117 表5-21 各模型當年度正確分類能力彙總表 120 表5-22 模型88-A 預測89年度銀行樣本之正確預測率 121 表5-23 模型89-A 預測90年度銀行樣本之正確預測率 121 表5-24 模型90-A 預測91年度銀行樣本之正確預測率 121 表5-25 模型88-89-90-A 預測91年度銀行樣本之正確預測率 121 表5-26 模型88-B預測89年度銀行樣本之正確預測率 122 表5-27 模型89-B 預測90年度銀行樣本之正確預測率 122 表5-28 模型90-B 預測91年度銀行樣本之正確預測率 122 表5-29 模型88-89-90-B預測91年度銀行樣本之正確預測率 122 表5-30 各模型次年度正確預測能力彙總表 124 表5-31 單年度A與B六模型推估落入體質不佳銀行平均機率值最低前十名 127 表5-32 單年度A與B六模型推估之體質不佳銀行平均機率值最高前五名 127 表5-33 各年度模型估計當年度銀行分類為體質不佳之機率表 128 表5-34 各模型A預測推估次年度銀行落入體質不佳之機值最低者 131 表5-35 各模型A預測推估次年度銀行落入體質不佳之機值最高者 131 表5-36 各年度A模型(金檢分數分群)預估次年度銀行為體質不佳之機率預測表 134 表5-37 各年度B模型(三指標分群)預估次年度銀行為體質不佳之機率預測表 135 圖 次 圖1-1 研究架構 8 圖2-1 我國金融機構體系構圖 10 圖2-2 本國銀行改革架構圖 18 圖2-3 基層金融改革架構圖 19 圖4-1 Logistic函數之曲線圖 74908213 bytesapplication/pdfen-US金融預警模型銀行業Logit modelLogistic modelCAMELS評等系統Financial Early-Warning System modelsbanksCAMELS rating systemotherhttp://ntur.lib.ntu.edu.tw/bitstream/246246/61826/1/ntu-94-R91722046-1.pdf