近年多數研究財務危機預警的學者，多數以上市、上櫃個別產業或者以全產業為研究對象，在製造業方面的實證研究較為少見。有鑑於製造業對於我國的重要性，故本研究建構2001至2009年上市(櫃)製造業公司之balanced panel data，運用Altman (1968) 所發展的Z-score model，建構台灣製造業危機預警模型。樣本選取方面，除參考過去較多文獻採用之1:1與1:2模式進行危機與正常樣本之實證配對。同時，並考量1:3之配對比例 (Lee and Teng，2009；蔡明春等人，2009) 。為了比較不同預警模型的預測準確性，本研究進一步建構區別分析與Logistic model，除納入Z-score model之財務變數外，加入公司治理、總體經濟與過去文獻鮮少探討之風險變數，亦納入淨值與現金流量之考量。此外，本研究進一步將樣本予以分類，將樣本分為上市、上櫃與全樣本，由於台灣廠商以中小企業為主體，進一步將樣本區分為中小型與大型製造業公司。相較於過去文獻，本研究樣本具較長研究期間，並將製造業樣本予以分類。最後，進一步運用Z-score model、區別分析與Logistic model建構之危機預警機制，藉此推估不同分類及不同預警模型，何者具有較佳之預測能力，選出適合預測製造業財務危機的機制。
實證結果顯示，在樣本配對比率上，Z-score model與其他二種模型之最佳正確分類率結果不同。Z-score model以1:1的配對方式為最高；而區別分析與Logistic model皆為1:3的配對比率為最佳；在不同分類樣本之分類正確率而言，發現皆以預測中小型製造業樣本時，各模型之正確分類率為最佳。
Z-score model之分類正確率低於區別分析法與Logistic model，不論在各分類樣本與配對比率上，Z-score model之最高分類準確性 (55.25%) 皆低於其他二種模型之最低分類準確性 (70.8%；71.1%)，表示Z-score model並不適用臺灣之財務資料。若以Z-score model之年資料與季資料比較，年資料之準確性較高，與余義賢 (2008) 以季資料使用Z-score model之估計結果相符，顯示使用季資料建構Z-score model於預測上，呈現不穩定的狀態。
整合各模型之不同，本研究發現以區別分析法預測財務危機之準確性最高，可達85.3%，而Logistic model建立之危機預警模型最高準確率可達到89.7%。由此可知，不論在分類樣本與配對比率上，皆以Logistic model之正確分類率為佳。整體而言，正確分類率由高至低分析為Logistic model、區別分析與Z-score model。

Recently, most of the researchers study in finance crisis forecasting bankruptcy that select companies of the individual industry or the entire industry in TSEC and OTC. The empirical studies of the manufacturing industry are rarely. But the manufacturing industry is very important in our country, so this research constructs the panel data of manufacturing industry companies in Taiwan from 2001 to 2009, and we use the Z-score model developed by Altman (1968). We follow former literatures to use 1:1 and 1:2 patterns on the financial distress and non-financial distress, and consider simultaneous pair of proportion 1:3 construction (see Lee and Teng, 2009; Ming-Chun Tsai et al., 2009). This research constructs multivariate discriminate analysis (MDA) and Logistic model for different financial crisis precaution model. The model besides integrates finance of variable into the Z-score model, corporate governance, macroeconomic factors and a rare discussed risk of variable in the past literatures, we also take into account the net asset value (NPV) and the cash flow.
In addition, this research classifies the sample into full sample and sub-sample of TSEC and OTC. As results of main industry are small and medium-sized enterprises (SMEs) in Taiwan, we divide the sample into SMEs and large manufacturing industries. Compare with the past studies, this paper has long period and classifies the manufacturing industry sample. Finally, we apply Z-score model, MDA and Logistic model for financial distress prediction. Under the estimation of the different classification and the different financial distressprediction model, we try to find out the superior forecasting mechanism for finance crisis of manufacturing industry.
The results show that the best accurate rate of Z-score model are different from other two kind of models had different. Z-score model with 1:1 pair has the highest accurate rate, and MDA and Logistic model with 1:3 pair are best in accurate rate. The classification of accuracy in the different classified sample, we find that the sub-sample of SMEs has the highest accurate rate for all. The classification of accuracy of Z-score model is lower than the MDA and Logistic model. No matter in each classified sample and pair accurate rate, Z-score model’s highest classified accuracy (55.25%) is lowest than other two kind of models (70.8%; 71.1%). The result shows that Z-score model is not suitable for financial distress prediction model in Taiwan. Compare the sample of year and the season form Z-score model, accurate rate of the yearly data is higher than seasonal data which consisted with Yu (2008).
Integration of individual financial distress prediction model, this study finds that the accuracy rate of MDA with the highest rate of 85.3%, and Logistic model with the highest rate of 89.7%. We can conclude that no matter in the classification or pair, the Logistic model is the financial distress prediction model among all. As a whole, the accurate rates from high to low are Logistic model, MDA and Z-score model.

目 錄
摘 要 I
Abstract III
誌 謝 V
目 錄 VI
表目錄 VIII
圖目錄 XI
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 6
第三節 研究流程 7
第四節 研究架構 8
第五節 研究範圍與限制 9
第二章 文獻探討 10
第一節 財務危機公司之定義 11
第二節 國外相關文獻之探討 19
第三節 國內相關之文獻探討 33
第三章 研究方法 47
第一節 研究架構 47
第二節 樣本與資料來源 48
第三節 變數操作性定義 50
第四節 研究模型 58
第四章 實證結果 68
第一節 敘述性統計 69
第二節 Z-score model實證結果 80
第三節 區別分析法之實證結果 89
第四節 Logistic model之實證結果 106
第五節 模型實證結果總結 127
第五章 結論與建議 128
參考文獻 131

表目錄
表1-1 製造業主要行業生產指數年增率 (單位：％) 3
表2-1 Z-score model之國外文獻彙整 30
表2-2 Logistic model之國外文獻彙整 31
表2-3 區別分析法之國外文獻彙整 32
表2-4 Z-score model之國內文獻彙整 44
表2-5 Logistic model之國內文獻彙整 45
表2-6 區別分析法之國內文獻彙整 46
表3-1 Z-score model變數彙總表 56
表3-2 本研究採用之財務與非財務變數彙總表 57
表3-4 混亂矩陣 67
表4-1 全樣本敘述性統計 (年) 71
表4-2 上市危機與正常製造業樣本敘述性統計 (年) 71
表4-3 上櫃危機與正常製造業樣本敘述性統計 (年) 72
表4-4 大型危機與正常製造業樣本敘述性統計 (年) 72
表4-5 中小型危機與正常製造業樣本敘述性統計 (年) 73
表4-6 全樣本敘述性統計 (季) 75
表4-7 上市製造業樣本敘述性統計 (季) 76
表4-8 上櫃製造業樣本敘述性統計 (季) 77
表4-9 大型製造業樣本敘述性統計 (季) 78
表4-10 中小型製造業樣本敘述性統計 (季) 79
表4-11 全樣本Z-score model 混亂矩陣表 (年) 81
表4-12 上市製造業Z-score model 混亂矩陣表 (年) 81
表4-13 上櫃製造業Z-score model 混亂矩陣表 (年) 82
表4-14 大型製造業Z-score model 混亂矩陣表 (年) 82
表4-15 中小型製造業Z-score model 混亂矩陣表 (年) 83
表4-16 全樣本Z-score model 混亂矩陣表 (季) 84
表4-17 上市製造業Z-score model 混亂矩陣表 (季) 85
表4-18 上櫃製造業Z-score model 混亂矩陣表 (季) 85
表4-19 大型製造業Z-score model 混亂矩陣表 (季) 86
表4-20 中小型製造業Z-score model 混亂矩陣表 (季) 86
表4-21 Z-score 模型年資料與季資料分類彙總表 88
表4-22 區別分析之參數估計值 91
表4-23 Fisher''s線性區別函數之分類係數 91
表4-24 全樣本製造業區別分析之混亂矩陣表 (季) 92
表4-25 區別分析之參數估計值 94
表4-26 Fisher''s線性區別函數之分類係數 95
表4-27 上市製造業區別分析之混亂矩陣表 (季) 95
表4-28 區別分析之參數估計值 97
表4-29 Fisher''s線性區別函數之分類係數 98
表4-30 上櫃製造業區別分析之混亂矩陣表 (季) 98
表4-31 區別分析之參數估計值 100
表4-32 Fisher''s線性區別函數之分類係數 101
表4-33 大型製造業區別分析之混亂矩陣表 (季) 101
表4-34 區別分析之參數估計值 103
表4-35 Fisher''s線性區別函數之分類係數 104
表4-36 中小型製造業區別分析之混亂矩陣表 (季) 104
表4-37 多變量區別分析整體正確分類率之彙總表 (季) 105
表4-38 全樣本Logistic model之參數估計表 (季) 108
表4-39 全樣本logistic model彙總表 (季) 109
表4-40 上市製造業之Logistic model參數估計表 (季) 112
表4-41 上市製造業Logistic model彙總表 (季) 113
表4-42 上櫃製造業之Logistic model參數估計表 (季) 116
表4-43 上櫃製造業Logistic model彙總表 (季) 117
表4-44 大型製造業之Logistic model參數估計表 (季) 120
表4-45 大型製造業Logistic model彙總表 (季) 121
表4-46 中小型製造業之Logistic model參數估計表 (季) 124
表4-48 Logistic 模型正確率之分類彙總表 (季) 126
表4-49 Z-score 模型、MDA與Logistic 模型正確率之分類彙總表 (季) 127

圖目錄
圖1-1 研究流程圖 8
圖2.1 企業危機生命週期 13
圖3-1 本研究主要架構 47

一、中文部分
1.王濟川、郭志剛 (2004)。Logistic迴歸模型─方法及應用(第三版)。台北：五南書局。
2.朱延智 (2002)。企業危機管理(初版)。台北：五南書局。
3.池千駒 (1999)。運用財務性、非財務性資訊建立我國上巿公司財務預警模式。未出版碩士論文，成功大學會計研究所，台南。
4.吳明隆、涂金堂 (2008)。SPSS與統計應用分析(二版)。台北：五南書局。
5.余惠芳 (2008)。台灣集團企業財務危機預警模式之研究。未出版博士論文，國立臺灣科技大學企業管理研究所，台北。
6.余義賢(2008)。財務危機預測之研究－以力霸集團為例。未出版碩士論文，真理大學財經研究所，台北。
7.李永山、李智霖 (2005，5月)。分類模式之比較分析—以財務危機預警模式為例。第十六屆國際資訊管理學術研討會論文集(CD-ROM)，臺灣台北。
8.何文榮、李復禮 (2006)。公司治理與財務危機關係之研究－以上市公司為例。華人前瞻研究。2(2)，1-25。
9.林美君 (2007)。財經新聞語料探勘及其於企業財務危機預警模型構建上之應用。未出版碩士論文，銘傳大學財務金融研究所，台北。
10.林豐騰 (2009)。企業財務危機預測－整合財務指標、公司治理因素及智慧資本構面模型。績效與策略研究。6(2)，59-72。
11.邱浩政 (2008)。量化研究法(一)：研究設計與資料處理(修訂初版)。台北：雙葉書廊。
12.郇金鏞 (2010)。運用T-Score選股及擇時研究。未出版碩士論文，國立臺灣科技大學財務金融研究所，台北。
13.高民杰、袁興林 (2004)。企業危機預警(第三版)。台北：讀品文化。
14.唐麗英、林麗甄 (2009)。應用驗證因素分析與Logit模型建構台灣中小企業之財務預警模型。中華管理評論國際學報。12(1)，1-23。
15.陳乙文、黃鈴羢 (2005)。影響財務危機預警模型因子之研究。建國科大學報：管理類。24(2)，153-168。
16.陳明賢 (1986)。財務危機預測之計量分析研究。未出版碩士論文，台灣大學商學研究所，台北。
17.陳順宇 (2005)。多變量分析(第四版)。台北：華泰文化。
18.陳裕文 (2010)。考量綜合指標於財務危機預警模式之研究。未出版碩士論文，朝陽科技大學財務金融研究所，台中。
19.陳業寧、王衍智與許鴻英(2004)。台灣企業財務危機之預測：信用評分法與選擇權評價法孰優。風險管理學報。6(2)，155-179。
20.陳肇榮 (1983)。運用財務比率預測企業財務危機之實證研究。未出版博士論文，政治大學財政研究所，台北。
21.溫健志 (2001)。存活分析方法應用於台灣金融機構信用風險管理之研究。未出版碩士論文，朝陽科技大學財務金融研究所，台中。
22.黃明祥、許光華與溫健志(2004)。以存活分析建立金融機構信用風險管理機制之研究。台灣銀行季刊。55(4)，66-92。
23.黃劭彥、李超雄、洪光宏、吳東憲 (2006)。以經營效率觀點建立台灣資訊電子業財務危機預警模型。文大商管學報。11 (2)，1-20。
24.黃博怡、張大成、江欣怡 (2006)。考慮總體經濟因素之企業危機預警模型。金融風險管理季刊。2(2)，75-89。
25.黃勤明 (2008)。以籌碼面結合財務比率資訊探討企業財務危機預警模型之研究—以電子產業為例。未出版碩士論文，銘傳大學資訊管理系碩士在職專班，桃園。
26.楊凌峰 (2008)。台灣上市公司財務危機早期預警之研究。未出版碩士論文，義守大學財務金融研究所，高雄。
27.楊雪蘭、唐豪駿(2010)。結合公司治理機制，財務比率與總體經濟敏感度以建置財務危機預警模型－以台灣下市公司為例。危機管理學刊。7(2)，11-24。
28.蔡其勳 (2006)。會計師資訊的角度構建企業財務危機預警模型。未出版碩士論文，靜宜大學企業管理研究所，台中。
29.蔡麗君 (1995)。審計報告之資訊內涵－運用於財務危機之預測。未出版碩士論文，政治大學會計研究所，台北。
30.劉邦典、梁榮輝、粘元馨 (2007)。臺灣企業財務危機預警模型建構之研究。績效與策略研究。4(3)，15-27。
31.劉虹芝 (2008)。績效分類、技術效率與金融危機預警機制之探討－台灣金融產業之實證研究。未出版碩士論文，朝陽科技大學財務金融研究所，台中。
32.劉景中 (2009)。銀行集中度、銀行市場競爭度與銀行風險－台灣實證研究。中央研究院經濟研究所經濟論文。37(1)，101-135。
33.賴鈺城、李崑進、李善玉 (2010)。公司治理下電子業之財務預警模型。華人前瞻研究。6(1)，1-23。
34.儲蕙文 (1996)。我國上市公司財務預警制度之研究。未出版碩士論文，政治大學會計研究所，台北。
35.魏曉琴 (2004)。財務危機預警模型之研究－以台灣地區上市公司為例。未出版碩士論文，交通大學財務金融研究所，新竹。
36.蘇紋慧(2000)。中小企業信用評估模式之研究－以中小型製造業為例。未出版碩士論文，中山大學財務管理系研究所，高雄。


二、英文部分
1.Altman, E. I. (1968). Financial ratios, discriminate analysis and the prediction of corporate bankruptcy. Journal of Finance ,23(4),589-609.
2.Altman, E. I., Haldeman, G. G. & Narayanan, P. (1977). Zeta analysis: A new model to identify the bankruptcy risk of corporations. Journal of Banking and Finance, 1, 29-54.
3.Beaver, W. H. (1966). Financial ratios as predictors of failure. Journal of Accounting Research, 4,71-102.
4.Bland, D. (1998). Issues in Defence Management. Canadian：McGill Queen’s University Press.
5.Blum, M. 1974. Failing company discriminant analysis. Journal of Accounting Research, 12, 1-25.
6.Boritz, J. E., Kennedy, D. B. & Sun, J. Y. (2007). Predicting Business Failures in Canada. Accounting Perspectives / Perspectives Comptables, 6(2),141-165.
7.Collins, R. A. & Green, R. D. (1982), statistical methods for bankruptcy forecasting. Journal of Economics and Business, 34(4), 349-354.
8.Deakin, E. B. (1972). A discriminant analysis of predictors of business failure. Journal of Accounting Research, 10, 167-179.
9.Edmister, R. O. (1972). An empirical test of financial ratio analysis for small business failure prediction. Journal of Financial and Quantitative Analysis, 7, 1477-1493.
10.Gentry, J. A., Newbold, P. & Whitford, D. T. (1985). Predicting bankruptcy: If cash flow’s not the bottom line, what is? Financial Analyst’s Journal ,41,47-56.
11.Grice, J. S. & Ingram R. W. (2001). Tests of the generalizability of Altman’s bankruptcy prediction model. Journal of Business Research, 54(1), 53-61.
12.Laitinen, E. K. & Laitinen, T. (2000). Bankruptcy prediction: Application of Taylor expansion in logistic regression. International Review of Financial Analysis, 9(4), 327-349.
13.Lee, Y. C. & Teng, H. L. (2009). Predicting the financial crisis by Mahalanobis – Taguchi system – Examples of Taiwan’s electronic sector. Expert Systems with Applications, 36, 7469–7478.
14.Lennox, C. (1999). Identifying Failing Companies: A Re-evaluation of the Logit, Probit and DA approaches. Journal of Economics and Business, 51, 347-364.
15.Lugovskaya, L. (2010). Predicting default of Russian SMEs on the basis of financial and non-fi nancial variables. Journal of Financial Services Marketing, 14(4), 301–313.
16.Odom, M. D.& R. Sharda. (1990). A neural network model for bankruptcy prediction. Proceedings of the IEEE International Conference on Neural Networks (12)163-168.
17.Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of ankruptcy. Journal of Accounting Research, 18(1), 109-131.
18.Platt, H. D. & Platt, M. B. (1990). Development of a class of stable predictive variables: The case of bankruptcy prediction. Journal of Business Financial and Accounting, 17,31-49.
19.Shumway, T. (2001). Forecasting bankruptcy more accurately: A simple hazard model. Journal of Business, (74), 101-124.
20.Walters, J. E. (1957). The determination of technical solvency, Journal of Business, 30, 30-45
21.Wang Y. & Campbell M. (2010). Business failure prediction for publicly listed companies in China. Journal of Business and Management , 16(1), 75-88.
22.Zmijewski, M. E. (1984). Methodological issues related to the estimation of financial distress prediction models. Supplement to Journal of Accounting Research, (22), 59-68.