论文部分内容阅读
摘要：本文以研究于次级房贷风暴中，台湾银行业金融预警模型系统之运用，研究目的为建立台湾银行金融预警模型，提供主管机关更多监管银行讯息的参考，模型以中央银行提供之数据，使用二种统计分析(线性回归分析与非线性Probit分析)之交叉比对，检验在实证模型中的要因是否符合假设。经由实证结果，不论于金控银行或新旧银行，本研究得知：[逾放比]与[利率敏感性缺口／净值]均为金融预警模型之重要指针，而[税前纯益／员工人数]及[放款成长率]为次级重要指标，以侦测于次级房贷风暴中，金融危机发生的预警可能性。
关键词：次级房贷风暴；银行业；金融预警；线性回归分析；非线性Probit分析
中图分类号：F832.3
文献标识码：A
文章编号：1001-828X(2011)02-0169-03
前言
次级房贷风暴于2008年下半年起始，其间雷曼兄弟倒闭，引起银行财务风险之危机，各国银行遭受次级房贷风暴之损失巨大，银行业是吸收大众存款从事资金贷放的行业，并提供经济发展所需信用，担任资本社会之资金收付的特性。因此需建立金融预警之模型，以降低信用风险。财务比率常为台湾外学界或业界使用于建构财务危机之预警模式，美国纽约大学教授Ahman(1968)利用Fisher(1936)提出之区别模型运用在财务管理上，并采用逐步多元回归分析法建立财务预警模型，建构该模式的考虑重点在于该类变量除了可以真正体现企业或银行的实际经营状况与未来营运趋势之外，财务比例或数据的相关变量也是目前许多金融机构用来评量企业征信与授信准则之依据。处于金融危机中，银行业有可能倒闭，并造成对纳税投资人的资金损害，于债权使用上，原金融预警之模型已无法确定于金融危机中，跨业经营之银行于经济上带来的一个大的风险，因此，建立一个金融危机中，台湾银行业之金融预警模型实刻不容缓。本研究收集金融预警的文献，建立出财务预警之模型，财务比例数据之来源(依CAELGS原则来划分)，来源为央行提供各期的金融统计季刊，目的于利用各大银行公开的财务比例数据，由现在或过去资料来预测未来，作为金融预警的讯号。
一、相关文献评析
Martin(1977)以Logit模型建立早期预警系统，预测银行发生危机的机率。作者以联邦准备系统中近5700家银行为样本，其中58家为倒闭银行，以1969年至1974年为基期，以各基期的25项银行财务变量，分别预测后两年可能倒闭的机率，结果发现净利／总资产、呆账／营业净利、费用，营业收入、放款，资产、商业放款／总放款、资本／风险性资产等6项财务变量对预警系统最具显著解释能力。
美国联邦金融机构检查评议委员会(FFIEC)所制定的金融检查制度，分别就资本适足性(capital adequacy)、资产质量(Asset quality)、管理能力(Management ability)、盈利能力(Earning ability)以及流动性(Liquidity)五项因素，作为评估银行状况的考虑因素。为避免社会大众发生挤兑，造成银行业者经营困难的现象，对各金融机构所作的CAMEL Rating(骆驼评等)。台湾中央存款保险公司所建立的金融预警制度，即实行此种金融检查制度，配合台湾金融检查所采用之财务比率，将评估属性分为资本适足性、资产质量、管理绩效、盈利性、流动性、市场风险敏感性及其他等七项。评等指标之来源：中央存款保险公司全国金融预警系统财务、业务指针之来源包括：(1)美国金融监理机关采用之财务比率。(2)学者专家研究文献中发现能判别问题金融机构之指标。(3)台湾金融检查单位检查金融机构所采用之财务及业务指标。(4)台湾外资深金融监理人员对台湾金融预警系统建议所采用之指针。
吴祁蔓(2002)指出指标筛选过程则先经由人工初步筛选，选出适合台湾金融环境且能自检查报告中撷取资料之指针，透过统计上显著性及相关性检测，找出显著性高而相关程度低之指标，也就是能识别[问题金融机构]与[正常金融机构]且指标间相关性较低之评估指标，再经由资深金融监理人员判断选出最后决定之指标。根据上述结果，本国银行共筛选出17种、外国银行在华分行12种、信用合作社19种及农渔会信用部20种等总计26种不同之指标。
二、研究方法
1、回归模型
Y1或Y2=α0 β1*X2 β2*X3 β3*X4 β4*X5 β5*X6 β6*x12 β7*X9 β8*X10 β9*X11 β10*DCB β11*DCN εit；式中，Y1：“小于”全体ROE(算术平均)平均值者为“1”，而“大于或等于”全体ROE(算术平均)平均值者为“1”；Y2：“小于”全体ROA(算术平均)平均值者为“1”，而“大于或等于”全体ROA(算术平均)平均值者为“1”。其他指标详细见表1。
在回归分析方面，本研究分别以ROE(股东权益报酬率)与ROA(资产报酬率)作为相依变量，并分别以x2、x3、X4、x5、X6、x12、X9、X10、X11、CB(是否金控)以及CN(新旧银行)作为自变量，进行逐步回归分析，经由交叉比对得到下列的结果(见表3)：
在非线性Probit分析方面，本研究分别以CB(是否为金融控股公司)与CN(是否为新银行)作为相依变量，如果“是”的话，该虚拟变量假设为1，反之，则假设为0。本研究分别以CB(是否金控)及CN(新 旧银行)作为因变量，应用Probit分析，即采用二分法的概念，分别以X2、x3、X4、x5、X6、X12、X9、x10、X11为自变量，并进行逐步分析，得到下列的结果(见表4)：
综合上述分析的结果，本研究运用线性回归分析与非线性Probit分析得到下列的结论：X2、X4、x5、X6、x12以及x9是正负方向未定的结果；而x3呈现负向，x12是正向显著，X10是正向不显著，至于x11则是负向不显著。线性回归分析与Probit model分析是在探讨应变与自变的关系时，最常使用的方法，应用在企业预警的分析上，应变可视为发生与发生，以0或1表示，再将各财务比作为自变，并应用回归模型找出应变与自变的关系。然一般的线性机模型最大的缺点，在于其所估计的违约机常会于0到1的区间之外，此与违约机必须在0到1区间之内的情况相违背。而Probit模型，正是为修正一般线性机模型之缺点所发展出的模型，其分别假设违约机服从积标准常态分配与积Logistic分配，并采用加机进转换，使得模型预测出的违约机必会于0到1的区间内。如此将解决通常自变为非常态的问题，使得模型亦适用于非线性的情况。故本研究也以Probit模式来进行估算，求出影响企银行危机的财务比率。
究台湾银行业的金融预警模型系统，提供主管机关更多监管银行讯息的参考此为本研究主要目的，本研究之实证结果发现：X3(逾放比)与X10(利率敏感性缺口／净值)之指标，是较为明确且符合先前预期假设，于二个统计分析中，均为显著之财务指标。
四、结论与建议
本研究建立于次级风暴中台湾银行业金融预警之模型，模型投入12个金融预警指标，经由不同的统计分析实证结果进行比对，于模型中，不论于金控银行或新旧银行，[逾放比]与[利率敏感性缺口／净值]均为金融预警模型之重要指针，[税前纯益／员工人数]及[放款成长率]为次级重要指标，以侦测于次级风暴中，金融危机发生的预警可能性。
参考文献：
[1]吴祁蔓.金融预警系统之研究一以台湾地区银行为例[J].台北：东吴大学企业管理研究所，2002.
[2]Altman，E.I.(1968)，“Financial Ratios，Discriminant Arialysis andthe Predication of Corporate Bankruptcy，”Journal of fmance，Vol.23，No.4，pp.589-609.
[3]Martin，D.(1977)，“Early Warning of Banking Failure，”TheJournal of Banking andFinance，Vol.1，pp.249—276.
关键词：次级房贷风暴；银行业；金融预警；线性回归分析；非线性Probit分析
中图分类号：F832.3
文献标识码：A
文章编号：1001-828X(2011)02-0169-03
前言
次级房贷风暴于2008年下半年起始，其间雷曼兄弟倒闭，引起银行财务风险之危机，各国银行遭受次级房贷风暴之损失巨大，银行业是吸收大众存款从事资金贷放的行业，并提供经济发展所需信用，担任资本社会之资金收付的特性。因此需建立金融预警之模型，以降低信用风险。财务比率常为台湾外学界或业界使用于建构财务危机之预警模式，美国纽约大学教授Ahman(1968)利用Fisher(1936)提出之区别模型运用在财务管理上，并采用逐步多元回归分析法建立财务预警模型，建构该模式的考虑重点在于该类变量除了可以真正体现企业或银行的实际经营状况与未来营运趋势之外，财务比例或数据的相关变量也是目前许多金融机构用来评量企业征信与授信准则之依据。处于金融危机中，银行业有可能倒闭，并造成对纳税投资人的资金损害，于债权使用上，原金融预警之模型已无法确定于金融危机中，跨业经营之银行于经济上带来的一个大的风险，因此，建立一个金融危机中，台湾银行业之金融预警模型实刻不容缓。本研究收集金融预警的文献，建立出财务预警之模型，财务比例数据之来源(依CAELGS原则来划分)，来源为央行提供各期的金融统计季刊，目的于利用各大银行公开的财务比例数据，由现在或过去资料来预测未来，作为金融预警的讯号。
一、相关文献评析
Martin(1977)以Logit模型建立早期预警系统，预测银行发生危机的机率。作者以联邦准备系统中近5700家银行为样本，其中58家为倒闭银行，以1969年至1974年为基期，以各基期的25项银行财务变量，分别预测后两年可能倒闭的机率，结果发现净利／总资产、呆账／营业净利、费用，营业收入、放款，资产、商业放款／总放款、资本／风险性资产等6项财务变量对预警系统最具显著解释能力。
美国联邦金融机构检查评议委员会(FFIEC)所制定的金融检查制度，分别就资本适足性(capital adequacy)、资产质量(Asset quality)、管理能力(Management ability)、盈利能力(Earning ability)以及流动性(Liquidity)五项因素，作为评估银行状况的考虑因素。为避免社会大众发生挤兑，造成银行业者经营困难的现象，对各金融机构所作的CAMEL Rating(骆驼评等)。台湾中央存款保险公司所建立的金融预警制度，即实行此种金融检查制度，配合台湾金融检查所采用之财务比率，将评估属性分为资本适足性、资产质量、管理绩效、盈利性、流动性、市场风险敏感性及其他等七项。评等指标之来源：中央存款保险公司全国金融预警系统财务、业务指针之来源包括：(1)美国金融监理机关采用之财务比率。(2)学者专家研究文献中发现能判别问题金融机构之指标。(3)台湾金融检查单位检查金融机构所采用之财务及业务指标。(4)台湾外资深金融监理人员对台湾金融预警系统建议所采用之指针。
吴祁蔓(2002)指出指标筛选过程则先经由人工初步筛选，选出适合台湾金融环境且能自检查报告中撷取资料之指针，透过统计上显著性及相关性检测，找出显著性高而相关程度低之指标，也就是能识别[问题金融机构]与[正常金融机构]且指标间相关性较低之评估指标，再经由资深金融监理人员判断选出最后决定之指标。根据上述结果，本国银行共筛选出17种、外国银行在华分行12种、信用合作社19种及农渔会信用部20种等总计26种不同之指标。
二、研究方法
1、回归模型
Y1或Y2=α0 β1*X2 β2*X3 β3*X4 β4*X5 β5*X6 β6*x12 β7*X9 β8*X10 β9*X11 β10*DCB β11*DCN εit；式中，Y1：“小于”全体ROE(算术平均)平均值者为“1”，而“大于或等于”全体ROE(算术平均)平均值者为“1”；Y2：“小于”全体ROA(算术平均)平均值者为“1”，而“大于或等于”全体ROA(算术平均)平均值者为“1”。其他指标详细见表1。
在回归分析方面，本研究分别以ROE(股东权益报酬率)与ROA(资产报酬率)作为相依变量，并分别以x2、x3、X4、x5、X6、x12、X9、X10、X11、CB(是否金控)以及CN(新旧银行)作为自变量，进行逐步回归分析，经由交叉比对得到下列的结果(见表3)：
在非线性Probit分析方面，本研究分别以CB(是否为金融控股公司)与CN(是否为新银行)作为相依变量，如果“是”的话，该虚拟变量假设为1，反之，则假设为0。本研究分别以CB(是否金控)及CN(新 旧银行)作为因变量，应用Probit分析，即采用二分法的概念，分别以X2、x3、X4、x5、X6、X12、X9、x10、X11为自变量，并进行逐步分析，得到下列的结果(见表4)：
综合上述分析的结果，本研究运用线性回归分析与非线性Probit分析得到下列的结论：X2、X4、x5、X6、x12以及x9是正负方向未定的结果；而x3呈现负向，x12是正向显著，X10是正向不显著，至于x11则是负向不显著。线性回归分析与Probit model分析是在探讨应变与自变的关系时，最常使用的方法，应用在企业预警的分析上，应变可视为发生与发生，以0或1表示，再将各财务比作为自变，并应用回归模型找出应变与自变的关系。然一般的线性机模型最大的缺点，在于其所估计的违约机常会于0到1的区间之外，此与违约机必须在0到1区间之内的情况相违背。而Probit模型，正是为修正一般线性机模型之缺点所发展出的模型，其分别假设违约机服从积标准常态分配与积Logistic分配，并采用加机进转换，使得模型预测出的违约机必会于0到1的区间内。如此将解决通常自变为非常态的问题，使得模型亦适用于非线性的情况。故本研究也以Probit模式来进行估算，求出影响企银行危机的财务比率。
究台湾银行业的金融预警模型系统，提供主管机关更多监管银行讯息的参考此为本研究主要目的，本研究之实证结果发现：X3(逾放比)与X10(利率敏感性缺口／净值)之指标，是较为明确且符合先前预期假设，于二个统计分析中，均为显著之财务指标。
四、结论与建议
本研究建立于次级风暴中台湾银行业金融预警之模型，模型投入12个金融预警指标，经由不同的统计分析实证结果进行比对，于模型中，不论于金控银行或新旧银行，[逾放比]与[利率敏感性缺口／净值]均为金融预警模型之重要指针，[税前纯益／员工人数]及[放款成长率]为次级重要指标，以侦测于次级风暴中，金融危机发生的预警可能性。
参考文献：
[1]吴祁蔓.金融预警系统之研究一以台湾地区银行为例[J].台北：东吴大学企业管理研究所，2002.
[2]Altman，E.I.(1968)，“Financial Ratios，Discriminant Arialysis andthe Predication of Corporate Bankruptcy，”Journal of fmance，Vol.23，No.4，pp.589-609.
[3]Martin，D.(1977)，“Early Warning of Banking Failure，”TheJournal of Banking andFinance，Vol.1，pp.249—276.