logit應用在財務危機預警模型常見的幾種誤用

以logit方式建立的財務預警模型中，常見的幾種錯誤和盲點：
1.分割點：
依照logit模型相對勝算比(odds ratio)的原理，其意義為發生違約機率相對於不發生違約機率的比率，當模型得到的違約機率在50%以上時，顯示發生違約機率相對高於不發生違約機率，代表該觀察企業屬於高違約標的，故以50%為風險分割點研判企業的財務體質，其原理甚易理解。
很多財務預警危機的實證報告，計算出觀察樣本內和樣本外的違約機率普遍偏低，大多未思索模型設計是否允當，反而試圖向下修正違約分割點，以提高預測效果，殊不知違約值偏低的原因是模型變數選擇不適當所致。例如：一些研究者認為企業財務危機起因於公司治理不彰，將一些所謂的治理變數連同財務變數同時放進預警模型，如董監席位比、參與管理等，而這些變數與財務比率變數差異過大，導致違約機率普遍偏低，其解決方法就是模型所選擇的變數.......。
2.正確區別率：
建立財務預警模型的主要目的就是區別違約企業和非違約企業，依模型計算出樣本的違約值經歸類後，就有型I和型II誤差的問題。當違約樣本經由模型算出的違約值達到50%以上，其區別率正確無誤，但當未違約的樣本觀察值出現高違約風險時，會因在樣本中被歸屬為正常企業而產生所謂的「型II誤差」，但這不表示模型所算出該類高風險企業不正確，未來不會發生違約，故此類型風險的誤差被高估了。財務預警模型建立的目的就是區分出所有潛在的高風險企業，協助決策者採取正確的預防性措施，當模型找出這些高潛在違約風險的企業時，卻因為尚未發生財務危機而全部歸類為型II誤差，這些誤差被高估的目標，反而是預警的焦點。 幾乎大多的文獻，在研判財務預警模型的優劣時，通常考慮整體模型的區別率，亦即扣除型I誤差率和型II誤差率，往往得到的區別率很高，但在實務上可能不堪使用，原因是大部分的財務預警模型的型I誤差率偏高，顯示實際發生違約企業常被誤判為未違約企業，這可能使授信和投資損失的潛在風險大大提升，與我們建立預警模型的初衷相背離。所以，我們應該關注的是型I誤差，意即有多少違約企業可藉由預警模型的掌握，有多少比率的違約企業無法掌握，而以損失風險為考量重點，「型I誤差率」判斷模型的預警效果較為適當，型I誤差率愈低，表示掌握已違約企業的能力愈好，對未來發生財務危機的潛在企業之預警能力也就愈高，同時再考量模型的整體區別率做綜合判斷，篩選效果最佳的預警模型。在實證上，型I誤差率較低的模型，其整體區別率也必然較優。
3.預警時效：
自Altman以降，研究學者習慣將違約預警時效區分為：一年、二年、三年，甚至五年以上。預警時效愈早愈有助於採取預防性的決策，然而造成財務危機的原因不盡相同，有些是經營不善，有些是資產掏空，有些是投資失當等等，財務危機的預警時效也會不同，經營不善型的財務危機，其預警時效會比較早顯現，而掏空或投資失當型的財務危機，通常在紙包不住火的情況下，瞬間引爆，防不勝防，預警時效離財務危機爆出時點也會較為倉促(低於一年以內)。從實務上考量授信風險的時效性，預警的最基本時效至少需一年以上較為妥當保險，因為可在客戶信貸到期要求轉期之前，採取必要的防護措施，收回貸款或徵提十足擔保品，而掏空或投資失當型的財務危機能在危機爆發前一季顯示，也算是厲害了。【版權所有，請尊重智慧財產權】