林達榮、 胡淑慧

摘要

本文旨在針對企業授信進行研究,以個案公司分析現行授信評分準則,透過對業務之異常戶與正常戶共280家客戶問卷調查,利用基本敘述統計、統計檢定、Logit 模式探討影響客戶倒帳的關鍵因素。實證結果得到以下結論:一、授信評分應衡量的因素包括客戶銷售形態、交易期間、股東結構、帳款延遲、催收狀況、負責人是否實際經營、是否提供本票等七大因素,其對異常帳款的預測準確度為82.10%。二、新信用評分機制提供個案公司依據客戶所屬的信用評等分類發展各自不同的信用標準、信用期間、收帳政策、與現金折扣政策,信用評等進行分類,提供個案公司最適之信用政策參考。

關鍵詞:信用政策、Logit 模式、非財務資訊

1.前言

企業若要尋求長遠的發展,內部必須形成風險和危機意識。從徵信角度分析,企業在發生賒銷業務之前,必須充分瞭解客戶的資信情況。然後根據客戶不同信用等級制定不同的銷售政策和應收帳款管理政策。對於信用等級比較高客戶,企業可以制定較樂觀之信用政策,吸引並保留此等客戶,進而加快企業開拓市場的步伐。但企業對於此等客戶必須關注其經營活動的變化,以及可能引起客戶陷入財務困境的變化,一旦發現有異常變化,企業就應該改變信用政策,採取更加積極的收帳政策,以化解潛在的發生倒帳風險。而對於信用等級較低的往來客戶,企業應該選擇較保守信用政策,並且採取積極應收帳款管理政策。近來,多數企業仿傚銀行的授信方式,根據授信對象之財務報表與實際企業的相關資訊為基礎加以評分,進行授信之判斷依據;但是一般中小企業除上市上櫃、公開發行公司之外,大都無法取得相關財務報表或是公信力不足,因此實務上要用較客觀的標準進行適當的信用評估的確有其執行上之困難。

早期對信用風險的衡量,多倚賴經驗的累積及專家的判斷,如銀行授信有所謂5P:借款人因素(People)、借款目的(Purpose)、還款來源(Payment)、債權保障(Protection)、未來遠景(Perspective)及5C:能力(Capacity)、品格(Character)、資本(Capital)、擔保品(Collateral)、情況(Conditions)。然而這類信用風險衡量,難免流於主觀,或囿限於人力之不足,對於市場無法掌握的因素,總有遺珠之憾。近來,為因應日趨複雜的環境,隨著一些數量方法的提出與開發,學術界及實務界都不斷相繼投入研究更精密嚴謹的信用風險評估。目前國內外有關授信評估方法及文獻,歸納如下:Platt & Platt (1990) 針對1972-1987年間的上市公司進行失敗預測之研究。首先將其區分為三類樣本:1、1972-1986/3(包括114家公司)。2、1986/4 -1987(包括68家公司)3.1972-1987(包括112家公司)。並將其模型區分為調整後財務比率與未調整財務比率,所謂調整後的財務比率即指利用相對的財務比率消除產業因素的影響。研究的方法為Logit Model。研究的結果發現消除掉產業因素的相對財務比率預測正確率較高,且跨期間的穩定性亦較高。石月華 (民82) 以民國71年至75年上市公司86家為研究樣本,以10項財務比率為研究變數,評估銀行授信信用,研究方法則採用Logistic迴歸。該研究利用Alves(1978)所提出的三種財務比率轉換方法,消除產業特性差異對授信信用的影響,實證結果亦顯示經產業平均財務比率轉換後所建立的評估模式,可提高模式的區別能力。李惠民 (民73) 研究的主題是中小企業信用風險評估。研究的對象係依據個案金融機構過去實施放款的實務經驗,隨機抽取50戶,其中包含優良客戶27戶,與不良客戶23戶,就其徵信報告資料中所涉及的近三年財務報表與一般信用評估要素,進行因素分析與模式建立的實證分析工作,該研究結論認為財務因素無法有效區分信用風險,須配合非財務因素,才能有效區分信用風險,建立區別模式。Zavgren (1985) 選取1972年至1978年45家破產公司與45家非破產公司的財務比率為研究樣本,利用因素分析法找出七個關鍵變數,以建立Logit 模型,由實證結果得知,從破產公司前一年到五年,其原始樣本之正確區別率分別為82%、83%、72%、73%、80%,其保留樣本為69%。陳錦村 (民86) 以某全國性商業銀行於民國78年初至83年6月之201筆授信案做為研究對象,觀察客戶之授信風險並進行授信戶的甄選。實證的結果發現,銀行授信戶的甄選除與授信政策配合外,以擔保品最受重視,往來狀況次之,財務狀況與經營效率最不被看重。該研究利用層級分析法區別授信戶之正常戶與違約戶,平均區別能力為82%、70%;區別分析法對正常客戶與違約客戶的正確區別率達85%及75%;Logit預測模式對正常客戶與違約客戶的正確區別率則高達86.1%及89.6%。故以客戶甄選能力論之,Logit模式優於區別分析,而區別模式又優於層級分析方法。

基於上述動機,本文研究目的有下列兩點:1.嘗試使用客戶非財務資料,修正現有之客戶信用評估模式。2.根據本研究所修正之信用評分的架構,嘗試擬定最適的信用政策,以降低風險,幫助企業增加利潤。

2.個案研究

個案公司自88年開始著手進行信用評分籌備作業,最初主要依據銀行公會所制定之「授信企業信用評等表」,擇取其中之「經營管理」要項進行評分,評選項目包括:

一、成立時間

公司成立時間愈久,愈具累績信譽的優勢,相較新成立的公司而言,訊息不對稱的現象愈不明顯,成為呆帳的機率亦較低。

二、資本額

資本額代表企業規模,資本額大的企業其因支付能力較高,所以發生呆帳的機率應較低。

三、票據信用

可透過票據交換所退票查詢客戶過去票據信用,做為評分依據。

四、帳款延遲記錄

客戶帳款拖欠的行為,應視為帳款異常的徵兆,所以在過去一年內付款記錄上有拖欠情事發生之客戶,發生帳款異常的機率應較高。

五、擔保品

擔保品依種類分有價證券擔保及不動產擔保及銀行保證等項,本票屬信用票據,債權擔保性較低。

雖然個案公司目前給予客戶信用評等方式,在同業中較為保守。但每年呆帳金額依然造成公司損失將近0.2%的淨利,業務人員對於呆帳戒慎恐懼,若一時失察將會讓公司內眾人努力經營的結果毀於一夕。

本文目的在於修正個案公司之授信評估模式,以期能達成預測的效果,研究對象以83年至91年發生帳款異常客戶為樣本,對所屬承辦業務先發出試行問卷30份,並由授信人員負責主動催回22份,第二份問卷是由第一份試行問卷的改良設計,對異常戶發出問卷195份,回收有效份數140份。對照於正常戶選擇上,本文選取額度相同,且運作正常之公司168份樣本,回收有效份數140份。

表1  問卷回收統計

(資料來源:本研究整理)

2.1資料分析

以下為依研究目的之需要所蒐集之相關資料,將280家客戶樣本依研究變項分別進行統計分析如下:

本研究的資料中以連續性數值表示者包括資本額、成立時間、交易時間等三項進行分析比較。由表2得知,總樣本280家客戶的資本額最小值為100仟元,最大值為490,000仟元;成立時間最短為0年,最長為24年;交易期間最短為0年,最長為10年。

表2 連續變數之敘述統計        

單位:仟元;年

(資料來源:本研究整理)

其他間斷變數(包括名目變數、順序變數)統計結果詳列於附表1。

2.2 統計檢定

瞭解基本資料特徵後進行統計檢定,主要目的在檢定正常戶與異常戶兩個不同母體在某一變數的反應是否有顯著的差異性,亦即檢測兩母體之樣本在單一變數的分佈情形。在本研究中,有資本額、成立時間、交易期間等計量之連續變數與屬性之間斷變數(包括名目與順序變數),採行之檢定方法分述如下:

一、常態性檢定

除名目變數採行卡方(chi-square) 檢定之外,其他變數將採 Kolomogorov-Smirnov統計量進行常態性檢定,然後根據結果再進行差異性檢定。

二、差異性檢定

若樣本為常態分配,則採母數統計t檢定探討兩樣本的差異是否顯著;若為非常態分配,連續變數採無母數統計之Mann-Whitney U檢定,其餘變數則採行卡方檢定,以探討兩組樣本的差異是否顯著。

由表3得知:兩組樣本在Kolomogorov-Smirnov統計量P值均為顯著(p值小於0.05),即違反常態分配,因此,對於兩組樣本之差異性檢定,均須採用無母數統計檢定。

  表3 變數常態性檢定

註:*為 Lilliefors Significance Correction                           

(資料來源: 本研究整理)

表4為無母數差異性檢定結果:

表4無母數差異性檢定

註:*表示理論次數小於5,經Yate’s 矯正 **為Mann-Whitney U值

(資料來源:本研究整理)    

綜合上述統計檢定驗證,在α=0.05檢定水準下,有成立時間、該公司產品技術能力、該公司產品市場性、營收成長、客戶銷售形態、交易期間、帳款延遲、逾期時間、催收狀況、票據是否有退補或拒往紀錄、負責人是否實際經營、負責人信評、是否提供本票、直系親屬是否簽立本票等共14個變數具有解釋能力。

2.3 LR迴歸分析

本研究採取Logistic迴歸(LR)做為信用評量的模式, LR模式並不限制解釋變數的分配,當解釋變數同時存在有間斷型和連續型時亦可採用,而且即使滿足區別分析所要求的假設,LR模式仍然具良好檢定力。此外,LR模式除預測分類組別外,尚可以計算事件發生的機率。

2.3.1 LR模式I

模式I係將所有的自變數全部強迫納入迴歸方程式運算中,不僅可檢討本次所使用的調查問卷區分正常戶與異常戶的能力,亦可找出顯著變數,並與上一節所檢定出顯著的變數相戶對照、比較。

表5  LR模式I之歸類表

(資料來源:本研究整理)

表6  LR模式I之參數估計

註:*表示P值低於0.05,變數顯著。                               

(資料來源:本研究整理)

由表5、6可知,以全部自變數納入之LR模式I,P值顯著,以機率值0.5為分類的臨界值,正常戶140家中被正確歸類的有126家,另14家被歸為異常戶,正確率90.0%。而異常戶140家被正確歸類的有116家,另24家被歸為正常戶,正確率82.9%,模式總正確率為86.4%,調查問卷區分正常戶與異常戶的能力佳,LR模式I顯著變數有該公司產品技術能力、營收成長、客戶銷售形態、交易期間、股東結構、催收狀況、負責人是否實際經營、負責人信評、負責人對本業知識與經驗、是否提供本票等10項。

2.3.2 LR模式II

為提高預測的準確度,將LR模式I所挑出10個顯著變數與前一節檢定中具有解釋能力14個顯著變數,全數放入LR模式II。

表7 差異性檢定與LR模式I顯著變數比較表

 (資料來源:本研究整理)

表8  LR模式II之歸類表

(資料來源:本研究整理)

表9  LR模式II之參數估計

*表示P值低於0.05,變數顯著                                               (資料來源:本研究整理)

由表8、9得知,LR模式II之總正確率不但高於模式I,且LR模式II的自變數中不含資本額、額度是否特簽、額度是否標案、負責人年齡是否異常、負責人是否不務正業、是否提供擔保品等六項變數。以機率值0.5為分類的臨界值,正常戶140家中被正確歸類的有127家,另13家被歸為異常戶,正確率90.7% 高於模式I。而異常戶140家被正確歸類的有117家,另23家被歸為正常戶,正確率83.6% 亦高於模式I,模式總正確率為87.1%。因此,可認為模式II 較模式I佳。

模式II顯著變數有該公司產品技術能力、營收成長、客戶銷售形態、交易期間、股東結構、催收狀況、負責人是否實際經營、負責人信評、實控負責人對本業知識與經驗、是否提供本票等10個變數。

2.3.3 最適的LR模式

為發展企業最適用之LR模式,模式之變數如牽涉到太多主觀考量與專業技術判斷,會嚴重違反信評的公正性,因此將模式II中該公司產品技術能力、該公司產品市場性等人為判斷的變數排除。同時,因財報不易取得,而無法得知客戶之營收成長情形,也必須將營收成長變數排除,最後將剩下之13個變數以向後淘汰法全數納入LR模式III迴歸方程式的運算中,然後逐步將未達統計顯著水準的預測變數,予以排除,直到所有未達顯著的預測變項均被淘汰為止。以向後淘汰法求其最佳的預測模式,將能更有效的分離出顯著變數出來。

表10  LR模式III之歸類表

 (資料來源:本研究整理)

表11  LR模式III之參數估計

*表示P值低於0.05,變數顯著                                    

(資料來源:本研究整理)

由表10、11得知,正常戶140家中被正確歸類的有117家,另23家被歸為異常戶,正確率83.6%。而異常戶140家被正確歸類的有113家,另27家被歸為正常戶,正確率80.7%,總正確率82.1%雖略低於模式I、II,但確是可行的方案中最高的預測水準,各變數的β係數中以交易期間、負責人是否實際經營、是否提供本票與異常帳款發生成負相關,即交易期間、負責人實際經營與客戶提供本票數值愈大,發生帳款異常的機率就愈低,其餘變數與異常帳款發生成正相關,變數值愈大則發生帳款異常的機率就愈高,這與實務現象相符合。除此之外,模式III運算的結果與全部變數納入之模式I剔除該公司產品技術能力、該公司產品市場性及營收成長等3變數後,採向後淘汰法的結果相同。因此本研究以模式III為最終的信用評分模式,以此模式所包含的變數:客戶銷售形態、交易期間、股東結構、帳款延遲、催收狀況、負責人是否實際經營、是否提供本票,做為審核客戶信用額度之依據。

LR模式可以計算事件發生的機率,徵信人員可在極短時間內預測客戶未來帳款是否會發生異常,進而估計發生之機率,舉例說明如下:假設客戶屬性為經銷商銷售型態,交易1年,股東結構純屬個人投資,偶而會發生帳款延遲現象,而且需要經常性催收,負責人實際經營公司,但沒有簽發本票。

LR 模式III 公式,可求出此客戶將來帳款發生異常的機率,其計算如下:

Zi =-5.043 + 0.751 *客戶銷售形態– 0.252 *交易期間+ 1.276 *股東結構+1.237 *帳款延遲+1.126 *催收狀況-1.651 *負責人是否實際經營-2.173 *是否提供本票

=-5.043 + 0.751 * 2 – 0.252 * 1 + 1.276 * 2 +1.237 * 2 +1.126 * 4-1.651 * 1-2.173 * 0

= 4.086

客戶帳款異常的機率:

 = 1 / ( 1 + )  = 98.35%

客戶帳款正常的機率: 

此客戶帳款成為異常的機率為98.35%,倒帳的風險非常高,所以在無其他變動因素下,此客戶應拒絕交易。

由模式I、II、III 得到客戶銷售形態、交易期間、股東結構、帳款延遲、催收狀況、負責人是否實際經營、是否提供本票七個變數會對於異常帳款產生偵測具顯著效果,本研究將續針對此七個變數分析其對整個案件的影響程度:

表12 忽略個別變數後的模式正確率

(資料來源:本研究整理)

由上表得知,忽略客戶銷售形態變數時總正確率最高,其次為帳款延遲、催收狀況、負責人是否實際經營、股東結構、交易期間、是否提供本票,即客戶銷售形態變數被忽略時總正確率下降最少,或甚至不變,代表其重要性最低,相對地,是否提供本票變數被忽略時總正確率下降最多,代表此變數重要性最高。至於刪除其他變數,不影響總正確率的原因,在於因為以機率值0.5為臨界值做為歸類的標準時,模式III 的正確率已經很高,而且樣本的機率預測值已經呈現極端的情形(如前例成為異常帳款的機率為98.35%),故不易在相同的臨界值下,看到模式歸類正確率的大幅改變,但此結果不代表被刪除的變數不具區別能力。

2.4 新舊信用評分差異比較

一、刪除項目

1、成立時間:成立時間在檢定中未達顯著標準,表示成立時間對發生帳款異常機率沒有顯著影響,可能是公司對於新成立客戶採較謹慎的審核,故導致成立較久的客戶帳款異常的機率增高。

2、資本額:資本額在檢定中未達顯著標準,表示資本額多寡對發生帳款異常機率沒有顯著影響,此與本文先前的預期不符,其原因可能是就資本額相對於實際的出貨額度來衡量,例如資本額小的客戶可能透過提供擔保品取得較高的額度出貨,資本額較高的客戶額度審核也較寬鬆,會容易產生誤判的情事,因此刪除之。

3、票據信用:因為信管在授與客戶某定額以上之出貨額度時,必先查詢票信,所以已經拒絕許多曾發生退票的客戶。公司藉著信評的時機,將要信評的客戶一一進入票信查詢,有發現客戶的票信不良時,就必須斷然地停止出貨,並把尾款收回。雖然票據信用在本研究檢定中未達顯著標準,但票據信用的查詢,仍視為徵信重點工作。

二、加入項目

1、客戶銷售形態:本變數經統計驗證後,效果顯著,以目前客戶型態不但可很清楚定義客戶下單的實力,方便業務報價的依據及便於分別信用的掌控,惟不同的銷售形態,風險各有不同。

2、交易期間:顧客關係的建立需要交易中累積,客戶長期耕耘的結果往往可獲得更多的資訊,因此也較不容易發生帳款異常情形,而本變數經統計驗證後,效果顯著。

3、股東結構:良好的股東結構對公司的經營絕對有幫助,個人的資源也絕對敵不過企業團體,惟必須考慮股東間的不合作,若落入鬥爭的局面,不免會影響公司的經營。因不同的股東結構,風險各有不同,本變數經統計驗證後,效果顯著。

4、催收狀況:催收其實是發現帳款異常徵兆的好途徑,當客戶有發生異常狀況時,第一線催收人員會採取最嚴謹的收帳政策,以預防帳款異常的發生。因此,嚴謹的收帳政策往往跟緊著呆帳率高的客戶群。本變數經統計驗證後,效果顯著。

5、負責人是否實際負責經營:負責人實際經營,比由他人掛名者更會全心投入本業,而且能讓個案公司了解,公司是正派經營而非人頭公司。本變數經統計驗證後,效果顯著。

6、是否提供本票:本票屬信用票據,債權擔保性不比有價證券擔保、不動產擔保及銀行保證函高,但在本研究中此變數經統計驗證後,效果顯著,表示索取本票對防範異常帳款的發生,依然有其實質的效益存在,但為確保公司債權風險的考量下,個案公司時不應以取得本票為滿足要件,尋求更多的擔保物才是最終的目的。

3.結論

本文採用非財務資訊的評估方法做為個案公司之授信參考依據,透過對業務之異常戶與正常戶共280家客戶問卷調查,利用基本的敘述統計、統計檢定、Logit 模式探討影響客戶倒帳的關鍵因素得到以下結論:1、原有的信用評分因素(成立時間、資本額、票據信用、帳款延遲、擔保品),判斷客戶的信用評分不甚嚴謹,對預防帳款異常的機率明顯不足。本文透過問卷調查資料分析中,所萃取出包括:客戶銷售形態、交易期間、股東結構、帳款延遲、催收狀況、負責人是否實際經營、是否提供本票等七大因素,評分所選用的非財務的因子已剔除易受個人時間、成見、偏好及累積經驗時選擇性吸收的影響而造成偏差。2、對驗證帳款異常預測準確度,本文新修訂之信用評估項目提供82.10%預測準確度正確率,分析結果對於個案公司授信評估機制之參考將更具說服力。3、新修訂之信用評估項目提供信用評分的模式,其計算如下:

Zi =-5.043 + 0.751 *客戶銷售形態– 0.252 *交易期間+ 1.276 *股東結構+1.237 *帳款延遲+1.126 *催收狀況-1.651 *負責人是否實際經營-2.173 *是否提供本票

4、新修訂之信用評估項目提供信用評分的權數,依重要性排序如下:是否提供本票、交易期間、股東結構、負責人是否實際經營、催收狀況、帳款延遲、客戶銷售形態。

參考文獻

1.石月華,「建立銀行授信信用評估模式之研究-以紡織業為例」,交通大學管理科學研究所碩士論文,民國82年。

2.李惠民,「中小企業信用風險評估模式之研究」,淡江大學管理科學研究所碩士論文,民國73年。

3.陳錦村,「銀行授信客戶之信用評等與模式比較」,輔仁管理評論,第4卷第1期,民國86年3月,頁145-172。

4.Alves, J.R., The Prediction of Small Business Failure Utilizing Financial and Non-financial Data, Ph.D. Dissertation, University of Massachusetts, 1978.

5.Platt, H.D. and Platt, M.B., “Development of A Class of Stable Predictive Variables:The Case of Bankruptcy Prediction,” Journal of Business Finance and Accounting, Vol. 17, No. 1, 1990, pp.31-49.

6.Zavgren, C.V., “Assessing the Vulnerability to Failure of American Industrial Firms: A Logistic Analysis,”Journal of Business Accounting, Vol.12, No.1, 1985, pp.19-45.

附表1相關變數之敘述統計

註:*表示異常戶觀察值,**表示正常戶觀察值                        (資料來源:本研究整理)