廠商融資對銀行信用風險之影響經濟新報彙整台灣地區個別銀行對公開發行公司長短期借款明細資料庫的數據顯示長期以來，整...

59

兩岸金融季刊第五卷第四期（2017 年 12 月）

* 通訊作者:[email protected]

廠商融資對銀行信用風險之影響

‧方豪華夏科技大學資產與物業管理系所副教授

‧李彥賢中原大學財務金融學系所副教授*

‧姜廷宜國立台灣科技大學建築系博士生

摘要

本研究採用授信 5P 原則以分析台灣地區不動產及資產股相關產業廠商借款所產生的信用風

險大小是否影響銀行信用風險的程度。同時，本研究也比較金融危機及非金融危機期間結果的差

異性，以進行不同期間下的穩定性檢測。本文以放款額度、信用評等及風險性資產金額三項變數

作為衡量銀行信用風險的代理變數。其中，銀行放款額度愈低、信用評等愈低或風險性資產金額

愈高，代表其信用風險愈高。本文實證發現不論同期或落後一期及全期間或金融危機與否期間，

廠商授信 5P 變數對銀行信用風險變數影響的差異性並不大。整體而言，有關縱橫資料模型分析

同期影響的結果發現，廠商授信 5P 變數中財務狀況「償債能力」分別對銀行的放款額度及信用

評等有顯著正向的影響，且公司的前景展望對銀行的風險性資產金額有顯著負向的影響。接續，

使用分量迴歸模型發現，廠商授信 5P 變數中還款來源對銀行的放款額度多有顯著正向的影響，

少受銀行放款額度高低而有差別；且產業的前景展望對銀行的風險性資產金額都一致有顯著負向

的影響，不因銀行風險性資產金額高低而有差別。最後，此研究結果可提供予銀行業者於授信不

動產相關企業徵信審查時放款准駁的重要參考。

壹、緒論

銀行是國家經濟發展之重要樞紐，其資金來源主要來自於民眾存款，尤其經營成敗不僅關係

本身的存續發展。若銀行放款業務發生疏失，可能涉及社會大眾權益，甚至危害整體金融秩序與

社會安定。過去二十餘年來，台灣經歷民主轉型期，全球金融市場朝向國際化、自由化的發展下，

60

方豪、李彥賢、姜廷宜：廠商融資對銀行信用風險之影響

各國都掀起了金融市場國際化及自由化的政策，台灣經濟即與世界經濟息息相關，更是與全球經

濟共同起舞。依金管會發布資料，截至2012年12月底止，本國銀行總行為39家、分行達3416家，

顯示金融機構目前仍呈現家數過多的情況。同時，台灣目前為全世界銀行密度最高的市場之一。

台灣地區銀行家數過多的問題會造成銀行之間的放款業務競爭非常激烈。隨著金融環境的快速變

遷，直接金融盛行、企業籌資管道日趨多元等影響，銀行經營貸款業務將更趨困難。在整體經濟

活動中，由銀行擔任資金供需的中介角色，以本身的信用吸收資金，衡量客戶的信用程度並放款

與承擔風險，並從中獲取利潤；故如何有效管理授信業務係銀行業相當重要的課題。

如同Uchida and Nakagawa (2007)提及日本銀行的非理性群聚決策可能導致在1980年代後期

泡沫經濟期間不良放款的大幅增加。他們指出日本銀行歸咎其大量壞帳為在泡沫經濟期間沒有確

實監控借款者，且集體借款給不動產業者所致。由此可知，不動產及資產股相關產業廠商的高度

財務槓桿比率與相關經營風險，將會正向影響銀行逾期放款比率及其相關的信用風險。根據台灣

經濟新報彙整台灣地區個別銀行對公開發行公司長短期借款明細資料庫的數據顯示長期以來，整

體企業貸款相較於消費者貸款為銀行營收的主要來源之一。不動產(水泥工業、紡織纖維業、建材

營造業)及資產股(如電機機械業、造紙工業、貿易百貨)貸款又占了整體企業貸款金額17.14%。相

對於光電產業貸款占整體企業貸款比重24.09%(第一名 )及半導體貸款占整體企業貸款比重

14.02%(第三名)而言，不動產及資產股產業貸款占整體企業貸款比重17.14%，位居所有產業貸款

比重的第二名。此外，建築業貸款亦呈現逐年穩定的成長幅度。該數據顯示台灣地區銀行對不動

產、資產股與建築業的貸款呈現穩定攀升的情形。目前銀行大部份對於企業放款徵信調查多採用

「財團法人聯合徵信中心 (Joint Credit Information Centers, JCIC) 提供統一規格資料庫」為依據，

而這些銀行使用的「聯合徵信」模式傾向使許多銀行共同參與對產業廠商借貸的資金有合作行

為，尤其以聯貸案會有多家銀行同時參與。在考慮資訊成本極高的情況，合作銀行常會接受主辦

銀行衡量評估與放款風險的能力並追隨其放款決策。同時，少部份銀行對於企業授信的准駁，僅

憑銀行經理人的觀感優劣審核。不論銀行之間聯合徵信的群聚決策授信或個人觀感的審核決策授

信都是立基於5P授信原則。在這種機制下考量銀行授信予不動產及資產股相關產業廠商的資金部

位較大，這些產業廠商的信用風險對銀行信用風險的影響也相較為大，本文遂採用銀行實務授信

基礎的5P授信原則以分析此議題。

為協助督導金融機構加速不良資產處理，我國政府自2005年起採行新的逾期放款定義，將應

61


予觀察放款列入逾期放款定義範圍內，使我國與國外對逾期放款定義一致化。為強化銀行對特定

授信資產之損失承擔能力，我國政府自2014年起修改金融辦法使主管機關於必要時，得要求銀行

提高特定授信資產之備抵呆帳及保證責任準備。我國政府近年來藉由一些金融政策，以期台灣地

區銀行降低逾放比率並提升授信資產品質。因為台灣地區銀行近年來對不動產及資產股相關產業

廠商的授信金額及其成長比例逐年攀升，且這些產業廠商的借款金額相較其他產業的借款金額明

顯為大；若這些產業廠商經營不善無法還款，更容易導致銀行呆帳增加，使得銀行經營風險上升。

因此，銀行必須在質與量之間取得平衡，若因審核過於嚴苛，縱使可以提升授信品質、減低逾期

放款，但相對減少授信業務量，導致收益減少。相對而言，若因審核過於寬鬆，增加收益，卻彌

補不了逾期損失。以往銀行授信案件審核不是憑藉著聯合徵信的群聚決策，就是憑著授信人員的

主觀判斷決定，容易因為銀行之間群聚追隨心態或銀行主管個人主觀意識而導致決策偏頗，或是

產生疑惑而猶豫不決。為提升銀行授信審核之效率，並降低其授信人員因誤判而產生的風險因

素，須將借款戶之風險因子量化，致使更客觀及快速地評估客戶授信風險。故本研究以台灣地區

銀行對不動產及資產股相關產業的授信廠商為分析對象，探討不動產及資產股相關產業廠商難以

按時還款時產生的信用風險大小是否及如何影響銀行信用風險的程度。

銀行信用風險是指銀行放款因債務人暫時或永久不履約支付，造成債權到期時，債務人無法

償還或延期支付之現象。傳統銀行信用風險主要可分為兩類：無現金償還及現金不足。無現金償

還是指貸款者現金流入無法支應現金流出，導致銀行授信損失；現金不足則表示貸款者現金流入

不足以償付到期的現金流出，造成貸款者的還款將展延或逾期。銀行信用風險的發生一方面因債

務人發生財務上不可預知情事而降低償債能力與意願；另一方面可能歸因於銀行承作授信決策前

判斷錯誤、徵信不良或放款過於浮濫所致。通常銀行對授信風險的承擔訂有一定的比例，若超過

此一水準，將直接影響銀行當期盈餘與形象。目前常用的銀行信用風險衡量可歸納為銀行的放款

額度、信用評等及風險性資產金額等變數。其中，林宗翰、謝雅惠、張輝鑫、柯俊禎和林左裕 (2011)

實證發現放款額度對逾期繳款為負相關，即放款額度越大發生逾期放款機率越低，顯示出放款金

額越大，銀行有較小的信用風險。陳家彬和賴怡洵 (2001)實證結果顯示銀行放款額度對銀行擔保

機率產生正向影響；這可看出銀行放款的額度愈大表示銀行有愈小的信用風險。陳家彬、江惠櫻

和賴怡洵 (2003)實證證實放款金額的大小與異常放款機率呈現負相關，即放款金額越大者發生逾

期放款機率越低，顯示出放款金額越大，銀行有較小的信用風險。實務上而言，銀行放款金額的

62


增加但逾期放款減少的可能原因，是因為這個減少的逾期放款是打銷壞帳後剩下的逾期放款。接

續，過去文獻提及信評機構主要是針對企業或機構舉債的違約機率給予評等，且認為評等及評等

的調整可以解釋企業或機構舉債的資金成本(Hand, Holthausen and Leftwich, 1992; Dichev and

Piotroski, 2001; Kliger and Sarig, 2000)。Hand et al. (1992) 提及標準及普爾信用表列的開端是評等

機構緩慢對違約風險變動反應的長期標準費用的反應。Kliger and Sarig (2000) 認為穆迪宣布關於

債券的壞消息指出較高的違約風險。由此顯示銀行的信用評等可做為銀行信用風險變數之衡量。

當某銀行的信用評等愈低，表示該銀行的信用風險愈大。有關監督與管理金融機構的經營風險，

巴塞爾資本協定提出自有資本占風險性資產比率需達8％之要求，作為對各金融機構的風險管理

基準。巴塞爾資本協定第二版相較舊版加入信用風險，表示自有資本占風險性資產比率相較資本

適足率更著重信用風險(趙美蘭 , 1994)，本文就不另納入其資本適足率為衡量變數。進而，

Chateauneuf and Lakhnati (2015)直接指出風險性資產的增加將被嫌惡風險的決策者考量為風險的

真實增加。本文遂使用風險性資產的金額，做為銀行信用風險變數。當某銀行的風險性資產金額

愈大，表示該銀行的信用風險愈大。因為一些學者提及銀行放款金額與逾期放款機率之間為負相

關 (柯俊禎和林左裕, 2011; 陳家彬、江惠櫻和賴怡洵, 2003)，本文既已考量銀行放款金額為銀行

信用風險變數，就不另納入其逾期放款比率為衡量變數。因此，本研究將銀行信用風險變數具體

劃分為銀行的放款額度、信用評等及風險性資產金額等多元變數予以衡量並分析。

授信5P評估原則是美國銀行家漢華銀行副總裁(Paul Hunn,1970)提出銀行授信前的5P原則，依

照銀行授信各因素給予量化評等，以作為銀行經營競爭及授信評估的利器。由於整體金融環境的

急劇變化，借款戶的借款額度日益擴大，資金用途亦趨多元化，故授信5P原則至今廣為業者運用。

授信5P原則主要內容為：1.授信戶。2.資金用途。3.還款來源。4.債權保障。5.前景展望，並與授

信評等相比較，提供銀行以決定是否授予信用。有關授信5P的構成要素，本文採用林婷鈴 (1994)

提出的信用評估構成要素給予量化評等為依據。

評估授信戶的因素可彙整為：授信戶之經營背景、誠實信用與經營和管理績效等三個層面

(李瑞慶, 2006；汪海清, 2004)。有關授信戶之經營背景包括其營業項目、企業生命週期、公司股

東和組織成員、經營團隊的業界技術風評及客戶分布結構等。誠實信用為承諾事項的履約情況及

提供資訊的可靠性與銀行往來之信用情況。Shen and Wang (2005)及江百信和張金鶚 (1995)研究指

出，透過授信戶與銀行往來之信用承諾情況能降低借貸市場資訊不對稱問題的發生，有助於銀行

63


降低信用風險的承擔。然而，授信戶之經營背景及誠實信用等兩個層面難有全面性量化衡量的數

據。因此有關授信戶的因素將著重於分析有整體量化衡量數據的授信戶之經營和管理績效層面。

有關授信戶之經營和管理績效可以區分為財務結構、週轉能力、償債能力及獲利能力等層面，而

本研究量化衡量分析前三個層面，以分析授信戶的財務狀況。Ghosh (2005)認為企業前期財務槓

桿比率與銀行逾期放款比率呈顯著正向影響。李馨蘋和何喜將 (2007)實證結果發現銀行的自有資

本比率(即為淨值比率)與逾期放款比率呈顯著負向影響。細部而言，過去文獻多以廠商的負債比

率以評估其財務結構(Ohlson,1980；Beaver,1966)；多以廠商的存貨週轉率以評估其週轉能力(Gaur

et al.,2005；Richards and Laughlin,1980)；多以廠商的流動比率以評估其償債能力(Ohlson,1980；

Beaver,1966；Altman,1977)。

評估資金用途的因素可彙整為：取得資產、償還既存債務與替代股權等三個層面 (李瑞

慶,2006；汪海清,2004)。取得資產包括購買流動資產及購買非流動資產，而償還既存債務為償還

借款戶對其他銀行或民間債務。取得資產及償還既存債務無法完整衡量廠商向銀行融資的資金大

小，然而替代股權為廠商向銀行借款融資的金額藉以代替增資，故其更能貼近廠商向銀行申請做

為資金用途的融資金額。再者，還款來源是銀行評估能否將授信債權收回的重要條件，以確保借

款戶能否按時償還本息，為銀行評估授信之核心。過去文獻實證顯示銀行評估借款企業的還款來

源主要係考量其自償性的財源是否充裕 (林婷鈴,1994)。因此，當檢視一般企業貸款之還款來源

多考量其營業收入、保留盈餘或外部資金是否足夠等。因為廠商的營業收入和公司規模大小明顯

相關，且該變數並不能完全反映廠商實際獲利狀況，因此廠商會將營業收入支應相關費用及支出

之故。反觀廠商的保留盈餘為公司累積的稅後純益，發放股利的金額，相較能完全支應廠商的還

款，以確保借款戶依約償還本息。債權保障可分為內部及外部保障。內部保障為銀行與借款戶的

直接關係，銀行可直接從借款戶的財務結構與擔保品的提供加以評估；外部保障則為第三者對銀

行承擔借款戶的信用責任，包括保證人、背書保證等方式。因為外部保障為銀行收回放款的次要

防線，因此將著重於內部保障。本文將擔保品分為有價值擔保品及無價值擔保品，有價值擔保品

包括信用擔保、有價證券擔保及不動產擔保。Menkhoff et al. (2006)發現銀行要求廠商提供擔保品

主要目的，是在於降低小企業及成立時間較短的企業的信用風險。Boot et al. (1991)、沈大白和張

揖平 (2006)、陳錦村和李智芳 (2005)及戴錦周和陳研研 (2005)認為銀行會要求廠商使用擔保品

以降低廠商的信用風險。然而，Jimenez and Saurina (2004)卻發現銀行要求提供擔保品的貸款將具

64


有較高的違約機率，若貸款由儲蓄銀行授予則更加具有風險。評估前景展望的因素將著重於分析

借款戶所提供產品的生命週期、產業特性及總體經濟環境發展等變動情形，藉以評估借款戶所從

事產業的發展趨勢與銀行放款所願承擔之風險及報酬，再依據衡量的風險與利益作為放款決策的

准駁。其中，沈中華和張家華 (2004)從景氣循環之總體經濟因素切入，發現景氣熱絡時銀行授信

相對樂觀，授信戶未來償債可能性提高，且預期違約機率降低。林左裕和賴郁媛 (2005)實證指出，

經濟成長率及房地產景氣對策訊號皆對銀行逾期放款比率有負向影響。

當台灣地區銀行對不動產及資產股相關產業的企業進行放款決策時，不論採多家銀行的聯合

徵信決策模式或採個別銀行經理人的審核模式，都應該參酌更為客觀量化的授信5P原則加以評

估，以強化徵信功能。同時，外部信評機構可對銀行提供徵信企業的授信5P量化因素，使銀行有

更為穩定及可信的參考依據，並使各類信評需求者(投資者、政府機構、發行機構、債權人)得以

獲悉徵信企業更為客觀量化的信評資料。尤其，近些年台灣地區銀行競爭非常激烈，各銀行之間

存放款利差逐漸縮小，其業者為擴大經營利潤，對徵信企業的授信條件逐步放寬，導致銀行授信

品質降低及信用風險增加。本研究彙整台灣地區銀行對不動產及資產股產業廠商貸款的明細資

料，使用客觀量化的授信5P原則並結合縱橫資料(Panel Data)模型，以實證分析當銀行對不動產及

資產股相關產業廠商放款時，授信5P變數衡量的廠商信用風險大小是否及如何影響銀行信用風險

的程度。同時，本研究使用銀行的放款額度、信用評等及風險性資產金額等變數，以期更完整的

衡量銀行的信用風險。除了分析全樣本期間的結果，本研究也使用縱橫資料模型以探討金融危機

及非金融危機期間結果的差異性，藉此評估在金融危機期間這些產業廠商的信用風險對銀行信用

風險是否有較為明顯的影響。再者，本研究進一步使用Panel分量廻歸模型將樣本依據各分量不同

分位數切割，即藉由Panel分量以更完整估計並分析廠商授信5P變數是否及如何影響銀行的信用風

險。藉由上述的檢測程序將研究結果提供予銀行業者於授信企業徵信審查時，能預先掌握不動產

及資產股相關業者信用風險發生之徵兆，建立授信企業信用風險預警模型，作為銀行放款准駁與

否的參考。希冀此研究結果能減少銀行壞帳(逾放)發生的機會，並提供予借款廠商及投資者有關

銀行授信依據的參考。

本文係以台灣地區個別銀行實際資料，評估不動產及資產股相關產業，並從個別廠商授信5P

原則評估對其銀行信用風險的影響。藉此建立客觀的授信風險評估模式，期能提升銀行授信審核

效能，並兼顧借款廠商與投資者有效掌握銀行授信的脈動。依如前述得出下列三項研究目的，說

65


註 1：有些人將次貸金融危機期間定義在 2007年到 2008年，從 2008 年美國本土的金融危機擴散成為全球性的金融風暴，故本文將次貸金融危機期間定義為 2008年到 2009年。

明如下：(1)擬探討授信5P原則當銀行對不動產及資產股相關產業中財務狀況較差、資金用途較

差、還款來源較差、債權保障較差及產業前景較差的廠商放款時，其對銀行信用風險是否明顯較

大。(2)探討金融危機及非金融危機期間結果的差異性，以評估在金融危機期間不動產及資產股相

關產業廠商的信用風險對銀行信用風險的影響是否會明顯的推升。(3)探討在高及低的銀行信用風

險時，不動產及資產股相關產業廠商的信用風險對銀行信用風險影響的程度是否會明顯不同且差

異性為何。

貳、資料範圍及研究方法

一、資料範圍及處理

本文資料來源彙整於台灣經濟新報，係依台灣地區個別銀行對所有上市上櫃及興櫃公司長短

期借款明細資料庫。資料範圍為在台灣地區銀行對該地區公開發行上市上櫃及興櫃公司的貸款明

細，其資料期間為自2002年至2012年上半年止每半年頻次資料。本文選擇該段期間為研究期間係

因為同步區分全期間為金融危機期間及非金融危機期間，而金融危機期間自2008年至2012年上半

年為止，為明確區分兩段期間以利比較，故本文研究期間止於2012年上半年。本文金融危機期間

定義為(1)2008年至2009年的次貸金融危機期間及(2)2010年至2012年上半年的歐洲主權債券危機

期間。非金融危機期間則為2002年至2007年期間(註1)。該資料庫的主要欄位包括銀行碼、放款對

象的公司代碼、台灣證券交易所編製的產業代碼、每筆借款的貸款金額、貸款期間的起迄日期、

該筆貸款是否為銀行聯貸、有無提供抵押或擔保品、該筆貸款額占所有上市上櫃及興櫃公司貸款

總額比重等資訊內涵。

不動產相關產業廠商相較其他產業廠商需要相當龐大的資金來源，且資金來源中向銀行借款

的金額佔全部資金需求的比例相較其他產業而言明顯為大。平均每年不動產和資產股借款金額為

662,699,048 (千元)，佔平均每年整體產業借款金額3,866,388,845 (千元)的比重約為17.14%，借款

金額比重在所有產業中高居第二名。若未謹慎評估該產業廠商向銀行借款的授信5P而產生信用風

險時，該信用風險會嚴重衝擊銀行的信用風險而形成銀行逾放比率的大幅攀升。同時，資產股相

關產業廠商擁有較多的土地與廠房，且其土地價值與機器設備佔公司淨值相當大的比重，平均約

超過40%。由此可看出資產股廠商也有龐大的資金需求，且向銀行融資的金額佔全部資金需求的

比例也相當大。若資產股廠商不甚產生信用風險時，其對銀行信用風險應會產生相當大的不利影

響。因此，本研究分析台灣地區個別銀行對不動產及資產股相關產業以及固定資產比例較大的產

66


註 2：放款額度高表示信用風險低，這仍然有爭議。銀行放款金額多時，則逾期放款狀況會低，這是值得討論的議題，本文也知道這不合理，但是參考部分文獻的發現(柯俊禎和林左裕, 2011; 陳家彬、江惠櫻和賴怡洵, 2003)，本研究暫時採用這個定義。

業，並探討這些產業廠商自銀行融資的授信5P變數對銀行信用風險之影響；以及瞭解銀行的放款

額度、信用評等和風險性資產金額等訊息，是否影響銀行信用風險的程度。本研究自變數為廠商

融資授信5P變數，每個自變數都是於每半年期間以上述相關產業的個別公司資料為基礎處理。同

時，本研究依變數為銀行信用風險變數，每個依變數則是於每半年期間以上述相關產業的個別公

司自個別借款銀行的資料為基礎，並以每半年期間每個公司為維度加以匯集平均的方式處理。

二、研究變數

本節研究變數依照應變數、自變數順序分別就其定義及選用涵義如[表2]所述：

1.應變數：銀行信用風險變數(1)放款額度(Y1)：在各期間銀行逐筆核准放款予授信廠商的金

額大小，作為銀行授信風險之依據。銀行放款額度越低代表其信用風險越高。(註2) (2)信用評等

(Y2)：以銀行長期信用評等的分數高低，以對照銀行信用評等等級。銀行信用評等越低代表其信

用風險越高。(3)風險性資產金額(Y3)：銀行所持有風險性資產的金額，作為銀行信用風險之依據。

銀行風險性資產金額越高代表其信用風險越高。

2.自變數：廠商融資授信5P變數 (1)負債比率(X11；借款戶)：評估授信廠商的財務結構以預

測其未來的長期償債能力。負債比率= 負債總額/資產總額，代表公司財務結構。企業的負債比率

越低，其財務的安全性越佳，其長期償債能力越強。(2)流動比率(X12；借款戶)：流動比率= 流

動資產/流動負債，代表公司的短期償債能力。企業的流動比率越高，其以流動資產償還流動負債

的能力越大，表示其短期償債能力越強。(3)存貨週轉率(X13；借款戶)：存貨週轉率= 存貨成本/

平均存貨，有效反映企業存貨週轉的速度及存貨資金使用量是否合理。企業的存貨週轉率愈高，

其資金使用效率愈高，其經營效能愈高。(4)融資額度(X21；資金用途)：企業向銀行申請放款的

額度。當企業的融資額度愈高，表示其資金用途愈多元，其還款的違約機率愈高。(5)保留盈餘

(X31；還款來源)：公司歷年累積之純益，未以現金或其他資產方式分配給股東轉為資本公積者。

企業的保留盈餘愈高，表示其自償性的還款財源愈充裕，其還款來源愈充足。(6)擔保品價值(D41，

D42，D43；債權保障)：本研究將企業的擔保品區分為無價值擔保品、信用擔保、有價證券擔保

及不動產擔保等四類的債權保障。有價值擔保品的債權保障比無價值擔保品的債權保障為高，且

具有內部保障的不動產擔保及有價證券擔保的債權保障又相較信用擔保的債權保障為高。當公司

無價值擔保品時，D41 =D42= D43=0；當公司為信用擔保時，D41 =1, D42= D43=0；當公司為有

67


價證券擔保時，D42 =1, D41= D43=0；當公司為不動產擔保時，D43=1, D41= D42=0。(7)所屬產

業之GDP成長率(X51；前景展望)：藉由分析授信企業所屬產業類別之GDP成長率，以評估借款企

業所屬產業的發展趨勢。授信企業所屬產業的GDP成長率愈高，表示其產業的前景展望愈佳。(8)

公司營業毛利成長率(X52；前景展望)：藉由分析授信企業的營業毛利成長率，以衡量借款企業的

獲利成長力。即營業毛利成長率=(本期營業毛利-前期營業毛利) / 前期營業毛利。授信企業的營

業毛利成長率愈高，表示該企業的前景展望愈佳。

表1 變數定義彙總表

變數

屬性變數

符號變數名稱及定義授信5P及變數涵義

對應變數及銀行信用風險的預期影響

應變數

Y1 放款額度

銀行放款額度愈低，其

信用風險愈高

Y1

Y2

Y3

銀行

信用

風險

Y2 以長期信用評等作為數據

參考，分數高低來對照信

用評等等級。

銀行信用評等愈低，其

信用風險愈高

Y3 風險性資產金額銀行信用風險

自變數

X11 負債比率借款戶財務狀況，公司財務結構

負向負向正向正向

X12 流動比率借款戶財務狀況，公司償債能力

正向正向負向負向

X13 存貨週轉率借款戶財務狀況，公司經營效能


X21 融資額度資金用途

負向負向正向正向

X31 保留盈餘還款來源正向正向負向負向

D41 D42 D43

當公司無價值擔保品時，

D41 =D42= D43=0；當公司為信用擔保時，D41 =1, D42= D43=0；當公司為有價證券擔保

時，D42 =1, D41= D43=0；當公司為不動產擔保時，

D43 =1, D41= D42=0。

債權保障正向正向負向負向

X51 所屬產業之GDP成長率前景展望，產業成長率


X52 公司營業毛利成長率前景展望，公司獲利成長力正向正向負向負向

68


三、縱橫資料之模型設計

本節將介紹縱橫資料最常使用之模型，如下所述：

1.固定效果模型：考慮橫斷面及時間序列並存的資料型態，可消除各體間存在的差異性，此

差異性表現每家公司均擁有各自之截距項且不隨時間而改變。故固定效果模型中之截距項皆不相

同以表現個體間之獨特性，利用虛擬變數之方式把各家公司間之差異反應在截距項上，其模型設

定如下：

it

K

kkitknnit XDDD

12211 .....Y

itkit

K

Kk

N

jjj XD

11………………………………………………………………….(2.1)

it 表示誤差項且 it ~ ),0( 2iid 。

其中i=1,2,…,N家公司；t=1,2,…,T期；k=1,2,…,K個解釋變數；Yit表示第i家公司在第t期之應

變數； kit 表示第i家公司在第t期之第k個自變數。 jD 為固定截距項以虛擬變數表示，且當 i = j

時, jD =1，代表該家銀行的虛擬變數為1，否則為0。假設 jD 代表第i家銀行的虛擬變數，可表示

為：

1, 1 1, 2 1,1 20, 0, 0,{ { , , { i i i NNotherwise otherwise otherwiseD D D …………………………………..……..(2.2)

固定效果模型可同時考慮橫斷面及時間序列並存的資料型態，即可消除因銀行差異所造成模

型共變異數的增大，使估計結果更有效率。

2.隨機效果模型：隨機效果模型比較著重母體整體之關係而非個體間之差異性，但其仍容許

個體間存在有不同之差異性。並主張個體之間之差異性(表現在各條迴歸式之截距項)乃是隨機產

生且不會隨時間而改變。模型設定如下：

1Y

K

it j k kit itk

X

1

K

i k kit itK

X …………………………………………………………………….….(2.3)

69


其中i=1,2,…,N家公司；t=1,2,…,T期；k=1,2,…,K個解釋變數；Yit表示在第i家公司在第t期之

應變數； kit 表示第i家公司在第t期之第k個自變數； j 為每家公司之截距項，利用隨機變數表

示之；即是 j i ；表示其差距為隨機出現， j 的期望值為； i 為截距項之誤差，且

20 ,V ; 0 , 0, i i u i it i itE ar E E if i j，顯示第i家樣本銀行截距不同。 it 表示誤差項且 it ~ 2(0, )iid 。

3.固定效果模型與隨機效果模型之評判準則 - Hausman Test：固定效果模型與隨機效果模型

為計量上最常使用的評判標準，以Mundlak (1978)所提出之Hausman Test 為代表。Mundlak 認為

應檢視隨機效果模型中的隨機效果( i + )，視 i 與自變數 kitX 間是否具相關性而定。若 i 與

kitX 有關係，會使隨機效果模型之迴歸估計量產生偏誤與不一致性，即 i 與 kitX 之間具統計相關

性時，固定效果模型之估計將具一致性及有效性，而隨機效果模型之估計將不具一致性，故應採

用固定效果模型。反之，若 i 與 kitX 之間不具統計相關性時，隨機效果模型的估計將具一致性及

有效性，而固定效果模型的估計將具一致性但不具有效性(inefficient)，故應採用隨機效果模型。

綜合上述，隨機效果模型可解決一些固定效果模型的缺點，惟需假設各財務績效的效果( i )與自

變數 kitX 無關。因此，可採用檢定 i 與 kitX 有無具統計相關性的Hausman Test檢定，其方式詳

述如下：令虛無假設：

H0：模型為固定效果模型 E( i kitX )≠0 →表示 i 與 kitX 為統計相關。

H1：模型為隨機效果 E( i kitX )=0 →表示 i 與 kitX 有統計無關。

Hausman Test 之檢定統計量為：

1

2~ 1

G L S L S D V L S D V G L S G L S L S D VH V a r V a r kB B B B B B …..(2.4)

GLSB

:為隨機效果下的估計量 LSDVB

:為固定效果下的估計量

K：為自變數個數，判斷準則為：

若H 2k ，則拒絕虛無假設，採用固定效果模型的結論較佳；

若H < 2k ，則接受虛無假設，採用隨機效果模型的結論較佳。

四、Panel 分量迴歸之模型設計

1.分量迴歸概念：分量迴歸最早由Koenker and Bassett(1978)所提出，其概念是將一般傳統迴

70


歸方式，藉由中位數進一步的延伸至各分量，目的是藉由各分量的分析使整體分配有更完整性的

估計、推論、處理條件分量的統計方法，除可估計資料的中央趨勢外，也可依據各分量不同分位

數將樣本資料進行樣本切割，有別於最小平方法僅重視平均趨勢。而當資料為縱橫資料時，

Koenker (2004)發展出縱橫資料分量迴歸法，為同時具備橫斷面與時間序列的資料，捕捉不同族群

個體在不同期間資料之特性。

2.分量迴歸模型：Koenker (2004)發展出適合縱橫資料的固定效果分量迴歸法。若該檢定結果

為固定效果模型，則不能消除模型中的 ia 項，因此當估計係數 ia 、β時，估計結果較容易產生偏

誤，因此Koenker (2004)採用Shirnkage方式消除此 ia 項，該檢定方式詳述如下：

'it θ,ity x β θ + + εit i

itK θ|x , 0 yit i

β θ 的目標函數(Objective function)為：

'itk R,t R,i R

y x β θ

k k it iL k=1,…,m, t=1,…, T,i=1,…,n …………………………(2.5) 其中 'ity x β θ k it i 'it1 y x β 0 j it i 為分量損失函數， k為該不同分

量下的權重比例。

則令一目標式為：

'itk R,t R,i R i R

y x β θ

k k it i iZ ..………………………………………………(2.6)

i R

i 則為處罰項，當λ→0時，該模式得知Z~L，此時便可得到固定效果模型下的分量廻

歸法公式，另外解釋變數係數公式 β̂ θ ，方可利用大樣本係數下的漸進分配求解，令一函數式為：

' '0

k=1 j=1 i=1

i 1

V w y z x

y ...................................................................(2.7)

q m nk

mn k k ij ij k ij ij

noi

k ij ij k m i i

m mn

m

其中且 'itx β ij k i k

0

1 11

ˆˆˆˆ β βˆ

ˆ β̂ β

q q q

m a a

m n

m n

71


求得Vmn最小值需要以下條件

B1.給定 ij, ijx F 的條件分配函數下 ijy 彼此獨立，其條件機率密度函數 ij0 y

B2.為q×q的矩陣，其 1 1 K K 且 k diag ij ij kf 該矩陣之正定限制為下：

wW

W Z Z w ΩW Z X/ n10 w X Z/ n W W X X/nm

n

= lim m

D

B3. 1 i n ij1 j m

Max x M

在B1~B3的假設下，mm→0 且在 a>0 時na/m→0

利用 1̂ 可得到最小化之極限分配 ' ' '0 1 01V B2

D

其中B為a平均為零的高斯向量與D0的共變異矩陣。

'' '0 0 pqS S 且 0 sgn iS 3.分量迴歸應用：本研究接續採用Panel 分量迴歸以探討當銀行授信予不動產及資產股產業

的廠商時，這些產業的借款廠商之負債比率、流動比率、存貨週轉率、融資額度、保留盈餘、擔

保品價值、營業毛利成長率及產業GDP成長率等不動產授信5P變數，分別對不同放款額度、信用

評等和風險性資產金額(不同分量)的銀行是否有不同的影響。細部而言，本研究分別將三個衡量

銀行信用風險的應變數(即銀行的放款額度、信用評等和風險性資產金額)劃分為七個分量，即分

為 = 0.05, 0.1, 0.25, 0.5, 0.75, 0.9, 0.95。以銀行的放款額度和信用評等(風險性資產金額)而言，=0.1以下表示銀行信用風險很高(很低)、 =0.25表示銀行信用風險中上(中下)、 =0.5表示銀行信

用風險中等、 =0.75表示銀行信用風險中下(中上)、 =0.9以上表示銀行信用風險很低(很高)。

參、實證結果

一、全期間 - Panel Data 結果

(一) 對同期與落後一期銀行放款額度影響實證結果

不動產相關廠商的授信5P變數對同期及落後一期銀行放款額度影響的Hausman檢測併同

Panel Data估計結果顯示在[表2]。由該表Hausman檢測的結果呈現隨機效果模型分別於同期及落後

一期銀行放款額度的結果是較佳的。[表2]的模型估計結果顯示同期下公司的流動比率、存貨週轉

率、保留盈餘及營業毛利成長率的係數如預期方向且達到統計上的顯著水準。亦即，同期下不動

產相關廠商的流動比率、存貨週轉率、保留盈餘及營業毛利成長率分別的係數均為顯著的正值。

72


這些結果表示在同期下不動產相關廠商的償債能力、經營效能、還款來源及獲利成長力分別對銀

行放款額度有正向且明顯的影響。然而，同期下公司的負債比率的係數為顯著正值與預期方向剛

好相反，可能是因為不動產及資產股產業廠商的負債比率相較於其他產業廠商者明顯為高，主要

基於這些產業廠商有較大的財務槓桿，當其財務槓桿得以發揮時，這些廠商的獲利會明顯較高，

故銀行對其的放款金額反而會明顯增加。同樣地，同期下公司的融資額度的係數為顯著正值與預

期方向剛好相反，可能是因為不動產及資產股產業廠商的融資額度相較於其他產業廠商者明顯為

高，主要基於這些產業廠商有較大的固定資產，這些廠商向銀行申請的融資額度會明顯較高，故

銀行對其放款金額也會明顯增加。同理，該表的估計結果顯示落後一期下公司的保留盈餘及不動

產擔保的係數如預期方向且達到統計上的顯著水準。亦即，落後一期下不動產相關廠商的保留盈

餘及不動產擔保的係數均為顯著的正值，而其中以保留盈餘的係數為7.981最大。這些結果意謂在

落後一期下不動產相關廠商的還款來源及債權保障對銀行放款額度有正向且明顯的影響，其中以

還款來源對銀行放款額度有最明顯的影響。然而，落後一期下公司的負債比率及融資額度的係數

和同期下相同都為顯著正值，與預期方向剛好相反，原因可能和同期下相同。

表2 同期與落後一期銀行放款額度實證結果

放款額度 (Y1) 同期落後一期變數係數 T-Stat 係數 T-Stat 常數 7.43790 17.85455*** 18.2971 17.68851***X11 負債比率 0.01910 6.69438*** 4.8136 4.90400***X12 流動比率 0.00206 3.82682*** 1.0835 0.92834 X13 存貨週轉率 0.01599 2.02542** -0.4189 -0.50604 X21 融資額度 0.09031 4.29027*** 3.9673 3.93753***X31 保留盈餘 0.17926 8.65408*** 8.1729 7.98143***D41 信用擔保 0.25648 0.97755 -0.3599 -0.36984 D42 有價證券擔保 -0.01383 -0.15294 0.3595 0.34506 D43 不動產擔保 0.02312 0.43591 1.8041 1.85263* X51所屬產業之GDP成長率 -0.00182 -0.74679 -0.5757 -0.67041 X52 公司營業毛利成長率 0.00004 1.68390* -0.9329 -0.90971

Hausman Test(10)

14.52345 Hausman Test(10)

14.3697

Significance

Level 0.15043

Significance Level

0.1568

RAND 或

FIXED RAND

RAND 或 FIXED

RAND

註： *代表達到 0.1的顯著水準；**代表達到 0.05的顯著水準；***代表達到 0.01的顯著水準。

73


彙整不動產相關廠商的授信5P變數對同期及落後一期銀行放款額度影響的結果發現，同期下

不動產相關廠商的償債能力、經營效能、還款來源及獲利成長力分別對銀行放款額度有顯著正向

的影響，故廠商授信5P中財務狀況、還款來源及公司前景展望在同期下會對銀行信用風險均有顯

著負向的影響。在落後一期下不動產相關廠商的還款來源及債權保障會對銀行放款額度有顯著正

向的影響，故還款來源及債權保障在落後一期下會對銀行信用風險有顯著負向的影響。並且，不

論在同期或落後一期下不動產相關廠商的還款來源對銀行放款額度有顯著正向的影響，故還款來

源在兩期下均會對銀行信用風險有顯著負向的影響。

(二) 對同期與落後一期銀行信用評等影響實證結果

不動產相關廠商的授信5P變數對同期及落後一期銀行信用評等影響的Hausman檢測併同

Panel Data估計結果顯示在[表3]。由該表Hausman檢測的結果呈現固定效果模型分別於同期及落後

一期銀行信用評等的結果是較佳的。[表3]的模型估計結果顯示同期下公司的流動比率、有價證券

擔保及公司營業毛利成長率的係數如預期方向且達到統計上的顯著水準。亦即，同期下不動產相

關廠商的流動比率、有價證券擔保及營業毛利成長率分別的係數均則為顯著的正值。這些結果表

示在同期下不動產相關廠商的償債能力、債權保障及獲利成長力分別對銀行信用評等有正向且明

顯的影響。同理，該表的估計結果顯示落後一期下公司的負債比率、存貨週轉率及有價證券擔保

的係數如預期方向且達到統計上的顯著水準。亦即，落後一期下不動產相關廠商的負債比率的係

數為顯著的負值，而其存貨週轉率及有價證券擔保的係數，則為顯著的正值。這些結果意謂在落

後一期下不動產相關廠商的財務結構對銀行信用評等有負向且明顯的影響，但其經營效能及債權

保障對銀行信用評等有正向且明顯的影響。然而，在同期下公司的負債比率、存貨週轉率及保留

盈餘的係數明顯與預期方向相反，但是下一期前兩個變數轉為顯著如預期方向，而保留盈餘的係

數則轉為不顯著。

彙整不動產相關廠商的授信5P變數對同期及落後一期銀行信用評等影響的結果發現，同期下

不動產相關廠商的償債能力、債權保障及獲利成長力分別對銀行信用評等有顯著正向的影響，故

廠商授信5P中財務狀況、債權保障及公司前景展望在同期下會對銀行信用風險均有顯著負向的影

響。在落後一期下不動產相關廠商的財務結構會對銀行信用評等有顯著負向的影響，故財務狀況

在落後一期下會對銀行信用風險有顯著正向的影響；而不動產相關廠商的經營效能、債權保障會

對銀行信用評等有顯著正向的影響，故財務狀況、債權保障在落後一期下會對銀行信用風險有顯

74


著負向的影響。並且，不論在同期或落後一期下不動產相關廠商的債權保障對銀行信用評等有顯

著正向的影響，故財務狀況在兩期下均會對銀行信用風險有顯著負向的影響。

表3 同期與落後一期銀行信用評等實證結果

信用評等 (Y2) 同期落後一期變數係數 T-Stat 係數 T-Stat X11 負債比率 0.02691 5.80560*** -0.01099 -1.72115* X12 流動比率 0.00265 2.81898*** -0.00124 -0.90653 X13 存貨週轉率 -0.01965 -2.36818** 0.03057 2.49217**X21 融資額度 0.02002 0.41025 -0.06379 -0.89195 X31 保留盈餘 -0.09344 -2.26723** 0.02544 0.42527 D41 信用擔保 -0.22402 -0.29895 -0.87736 -0.80958 D42 有價證券擔保 0.53336 3.00473*** 0.47184 1.83265* D43 不動產擔保 -0.10704 -0.91661 -0.23918 -1.39575 X51所屬產業之GDP成長率 -0.00933 -0.97966 0.01369 0.98024 X52 公司營業毛利成長率 0.00012 1.74448* -0.00001 -0.30002

Hausman Test(10)


17.45321

Significance

Level 0.02781

Significance Level

0.06492

RAND 或

FIXED FIXED

RAND 或 FIXED

FIXED


(三) 對同期與落後一期銀行風險性資產金額影響實證結果

不動產相關廠商的授信5P變數對同期及落後一期銀行風險性資產金額影響的Hausman檢測

併同Panel Data估計結果顯示在[表4]。由該表Hausman檢測的結果呈現隨機效果模型分別於同期及

落後一期銀行風險性資產金額的結果是較佳的。[表4]的模型估計結果顯示同期下公司的流動比

率、所屬產業之GDP成長率及營業毛利成長率的係數如預期方向且達到統計上的顯著水準。亦

即，同期下不動產相關廠商的流動比率、所屬產業之GDP成長率及營業毛利成長率分別的係數均

則為顯著的負值。這些結果表示在同期下不動產相關廠商的償債能力、產業成長率及獲利成長力

分別對銀行風險性資產金額有負向且明顯的影響。然而，同期下公司的融資額度的係數為顯著負

值與預期相反，可能因為不動產及資產股產業廠商向銀行申請的資金額度相較其他產業廠商者明

顯為高，但是這些產業廠商的逾期放款比率可能並不高，故其風險性資產金額反而減少。相對地，

75


同期下公司的保留盈餘的係數為顯著正值與預期相反，可能因為這些產業廠商的保留盈餘相較其

他產業廠商者明顯為高，故這些產業廠商再投資金額也較高，但相對而言其風險性資產金額也隨

投資金額同步增加。同理，該表的估計結果顯示落後一期下公司的流動比率、有價證券擔保、所

屬產業之GDP成長率及營業毛利成長率的係數如預期方向且達到統計上的顯著水準。亦即，落後

一期下不動產相關廠商的流動比率、有價證券擔保、所屬產業之GDP成長率及營業毛利成長率的

係數均為顯著的負值，而其中以所屬產業之GDP成長率的係數為-4.182最大。這些結果意謂在落

後一期下不動產相關廠商的償債能力、債權保障及產業成長率及獲利成長力對銀行風險性資產金

額有負向且明顯的影響，其中以產業成長率對銀行風險性資產金額有最明顯的影響。然而，落後

一期下公司的融資額度及保留盈餘的係數和同期下顯著的方向相同，與預期方向相反，原因可能

和同期下相同。

表4 同期與落後一期風險性資產金額實證結果

風險性資產金額 (Y3) 同期落後一期變數係數 T-Stat 係數 T-Stat 常數 19.67439 54.84500*** 19.97060 70.83140***X11 負債比率 0.00174 0.64176 0.00010 0.04529 X12 流動比率 -0.00025 -1.65095* -0.00059 -1.67528* X13 存貨週轉率 0.00548 1.05231 0.00493 1.16092 X21 融資額度 -0.03717 -1.93114** -0.04437 -2.95716***X31 保留盈餘 0.08646 4.87687*** 0.08525 6.16919***D41 信用擔保 -0.36164 -1.11315 -0.32385 -1.29150 D42 有價證券擔保 -0.02538 -0.32959 -0.09325 -1.69633* D43 不動產擔保 0.00972 0.18741 -0.00699 -0.17098 X51所屬產業之GDP成長率 -0.00939 -4.00488*** -0.00760 -4.18176***X52 公司營業毛利成長率 -0.00013 -1.69179* -0.00010 -1.64816*

Hausman Test(10)


8.85527

Significance

Level 0.50797

Significance Level

0.54589

RAND 或

FIXED RAND

RAND 或 FIXED

RAND


彙整不動產相關廠商的授信5P變數對同期及落後一期銀行風險性資產金額影響的結果發

現，同期下不動產相關廠商的償債能力、產業成長率及獲利成長力分別對銀行風險性資產金額有

76


顯著負向的影響，故廠商授信5P中財務狀況、產業及公司的前景展望在同期下會對銀行信用風險

均有顯著負向的影響。在落後一期下不動產相關廠商的償債能力、債權保障、產業成長率及獲利

成長力會對銀行風險性資產金額有顯著負向的影響，故財務狀況、債權保障、產業及公司的前景

展望在落後一期下會對銀行信用風險均有顯著負向的影響。並且，不論在同期或落後一期下不動

產相關廠商的償債能力、產業成長率及獲利成長力對銀行風險性資產金額有顯著負向的影響，故

財務狀況、產業及公司的前景展望在兩期下均會對銀行信用風險均有顯著負向的影響。

二、全期間 - Panel 分量迴歸結果

(一) 對同期銀行放款額度影響實證結果

鑑於同期與落後一期的實證結果差異性不大，本研究接續使用Panel分量迴歸分析不動產相關

廠商的授信5P變數對同期間銀行信用風險的影響。比較[表2] Panel Data及[表5] Panel分量估計結

果顯示，分量迴歸的結果呈現公司的負債比率對銀行放款額度的正向影響效果消失了；透過分量

迴歸可看出不存在公司財務結構的邊際影響效果。同時，僅在很低及很高的分量時公司的流動比

率對銀行放款額度才有明顯正向的影響，而在其餘的分量結果多部具有顯著的影響力。藉由分量

迴歸分析本研究更能確認公司的流動比率存在不對稱的問題。這結果意謂在銀行放款額度很低及

很高時，公司的償債能力對銀行信用風險的負向影響才明顯較大；然而在銀行放款額度的中間區

域，公司的償債能力增加並不會造成銀行信用風險明顯減少。當以分量迴歸分析存貨週轉率的影

響時，本研究發現存貨週轉率對銀行放款額度的正向影響僅在很低的分量時才顯著，但在其他區

域時其影響力並不顯著。這結果表示在銀行放款額度很低時，公司的經營效能對銀行信用風險才

有明顯負向的影響。

在探討保留盈餘的影響時本研究發現不論以分量迴歸或Panel Data 分析，公司的保留盈餘對

銀行放款額度都一致有明顯正向的影響。這結果顯示公司的還款來源對銀行信用風險的負向影響

很穩定，並不會因為銀行放款額度的高低而有差別。有關擔保品價值的影響本研究結果呈現分量

迴歸相較Panel Data 分析較為明顯。前者結果可看出在中低(低)分量時信用擔保(不動產擔保)有明

顯正向的影響。這結果隱含在銀行放款額度較低時，公司的債權保障對銀行信用風險才有明顯的

降低作用。當以分量迴歸探討公司營業毛利成長率的影響時，本研究發現該成長率在Panel Data

的影響效果消失了。

77


表5 放款額度之 Panel分量迴歸結果

Y1 =5 =10 =25 =50 =75 =90 =95

(截距) 2.59845*** 3.40908*** 3.83023*** 3.92573*** 4.16539*** 4.47326*** 4.40061***

(0.00076) (0.00000) (0.00000) (0.00000) (0.00000) (0.00000) (0.00000)

X11 0.00422 0.00127 -0.00052 0.00024 -0.00011 -0.00076 0.00046

(0.13545) (0.63695) (0.83165) (0.9309) (0.96955) (0.81662) (0.89085)

X12 0.00162** 0.00091 0.00005 0.00029 0.0005 0.00078 0.00149*

(0.02599) (0.18288) (0.93633) (0.63741) (0.49598) (0.29258) (0.05443)

X13 0.00648 0.00613 0.0047 0.00524 0.0003 -0.00134 -0.00009

(0.08993) (0.23856) (0.44155) (0.33088) (0.93784) (0.63455) (0.97379)

X21 0.01308 0.01256 0.00383 0.00621 0.00623 0.00277 0.00221

(0.10884) (0.43835) (0.63096) (0.49247) (0.53419) (0.69143) (0.69576)

X31 0.09357** 0.08181** 0.08221*** 0.08611*** 0.08462*** 0.08393*** 0.08426***

(0.02643) (0.01621) (0.00116) (0.00009) (0.00000) (0.00000) (0.00001)

D41 0.51845*** 0.45638*** 0.39469** 0.38792** 0.28242 0.05251 -0.03479

(0.00033) (0.00304) (0.01252) (0.03636) (0.17808) (0.73511) (0.74562)

D42 -0.14603 -0.09744 -0.0256 -0.01723 -0.05438 -0.04695 0.0469 (0.19021) (0.42703) (0.83845) (0.91191) (0.72895) (0.71471) (0.66901)

D43 0.09793 0.11961* 0.09684 0.05555 -0.00382 -0.07717 -0.03866

(0.22125) (0.07801) (0.18902) (0.49904) (0.96321) (0.2462) (0.5615)

X51 -0.00218 -0.00237 0.00171 0.00071 -0.00292 -0.00186 -0.00267 (0.1619) (0.47096) (0.40957) (0.78604) (0.31058) (0.12929) (0.30626)

X52 -0.00056 -0.0005 -0.00039 -0.00041 -0.00007 0.00004 -0.00003 (0.62294) (0.49318) (0.4366) (0.39228) (0.80207) (0.80602) (0.84586)

註 1：*代表達到 0.1 的顯著水準；**代表達到 0.05 的顯著水準；***代表達到 0.01 的顯著水準。註 2：( )中的數值表示為 P值。

(二) 對同期銀行信用評等影響實證結果

比較[表3] Panel Data及[表6] Panel分量估計結果顯示，在較低的分量時公司的流動比率對銀

行信用評等才有明顯正向的影響，而在較高的分量結果並沒有顯著的影響力。這結果表示在銀行

信用評等較低時，公司的償債能力對銀行信用風險才有明顯負向的影響。當以分量迴歸分析有價

證券擔保的影響時，本研究發現有價證券擔保的正向影響只有在較低的分量時才顯著。這結果呈

現在銀行信用評等較低時，公司的債權保障才會對銀行信用風險產生負向抑制。但和Panel Data

分析相同的是只有在公司從事有價證券擔保時才會對銀行信用風險有明顯負向影響。

78


有關所屬產業GDP成長率的影響本研究結果呈現分量迴歸相較Panel Data 分析較為明顯。前

者結果可看出在較低分量時所屬產業GDP成長率有明顯正向的影響。這結果意謂在銀行信用評等

較低時，產業的成長率對銀行信用風險才有明顯的負向抑制。在探討保留盈餘的影響時本研究發

現僅在較低的分量時公司的營業毛利成長率對銀行信用評等才有明顯正向的影響。這結果隱含在

銀行信用評等較低時，公司的前景展望對銀行信用風險的負向影響才明顯較大。

表6 信用評等之 Panel分量迴歸結果

Y2 =5 =10 =25 =50 =75 =90 =95

(截距) 0.05365 0.30784 1.11877*** 1.51253*** 1.79268*** 2.25704*** 2.61604***

(0.91163) (0.49723) (0.00076) (0.00000) (0.00000) (0.00000) (0.00000)

X11 0.00375 0.00387 0.00449 0.00429 0.0037 0.00393 0.0039

(0.11255) (0.12239) (0.14636) (0.16479) (0.1028) (0.1024) (0.11099)

X12 0.0014 0.00335 0.00116 -0.00021 -0.00041 -0.00026 -0.00045

(0.07273) (0.05339) (0.08181) (0.62907) (0.41584) (0.5374) (0.26101)

X13 -0.00228 -0.00658 -0.00708 -0.00675 -0.00399 0.00173 -0.00084 (0.14057) (0.20149) (0.12699) (0.17349) (0.56268) (0.68735) (0.83955)

X21 0.00644 0.01151 0.0095 0.01215 0.01531 0.00667 0.00314

(0.11502) (0.12653) (0.11971) (0.10852) (0.12377) (0.51484) (0.68927)

X31 0.02311 0.0108 -0.02186 -0.02422 -0.01902 -0.01352 -0.01904

(0.24378) (0.58041) (0.15101) (0.10047) (0.10258) (0.10032) (0.1001)

D41 0.09835 0.07821 0.18142 0.07287 0.25416 -0.01273 -0.09828

(0.27491) (0.27203) (0.26671) (0.74015) (0.22616) (0.91781) (0.33753)

D42 0.36768*** 0.28653*** 0.046 -0.00256 0.08355 0.00289 -0.03851

(0.00000) (0.00038) (0.45116) (0.97747) (0.36944) (0.95967) (0.58986)

D43 -0.07129 -0.08268 -0.03104 -0.03814 -0.05698 -0.03659 -0.05391 (0.27009) (0.16709) (0.55714) (0.42046) (0.33928) (0.4481) (0.37948)

X51 -0.00201 0.00197 0.00363** 0.00473** -0.00166 -0.00191 -0.0041 (0.44882) (0.42163) (0.03198) (0.0174) (0.12448) (0.11553) (0.18553)

X52 0.00468** 0.00533** 0.00027 0.0004 0.00028 -0.00006 0.00013

(0.04052) (0.04166) (0.22669) (0.14432) (0.51951) (0.83185) (0.67374)


(三) 對同期銀行風險性資產金額影響實證結果

比較[表4] Panel Data及[表7] Panel分量估計結果顯示，僅在最高的分量時公司的流動比率對

79


銀行風險性資產金額才有明顯負向的影響。這結果表示在銀行風險性資產金額極高時，公司的償

債能力對銀行信用風險才有明顯負向的影響。有關信用擔保的影響本研究結果顯示Panel 分量迴

歸相較Panel Data分析較為明顯。前者結果呈現在較高分量時，公司的信用擔保有明顯正向的影

響。這結果隱含在銀行風險性資產金額較高時，公司的信用債權保障對銀行的信用風險才有明顯

的抑制作用。

在探討所屬產業GDP成長率的影響時，本研究發現不論以分量迴歸或Panel Data分析，所屬

產業的GDP成長率對銀行風險性資產金額的負向影響很穩定，並不會因為銀行風險性資產金額的

高低而有差別。當以分量迴歸分析公司營業毛利成長率的影響時，本研究結果呈現公司營業毛利

成長率的負面影響只有在較低分量時才顯著。這結果顯示在銀行風險性資產金額較低時，公司的

前景展望才會對銀行信用風險有明顯的負向影響。

表7 風險性資產金額之 Panel分量迴歸結果

Y3 =5 =10 =25 =50 =75 =90 =95

(截距) 15.94527*** 17.68191*** 19.57627*** 20.26104*** 20.61463*** 20.79321*** 21.03848***(0.00000) (0.00000) (0.00000) (0.00000) (0.00000) (0.00000) (0.00000)

X11 0.00521 0.00227 -0.00234 -0.00162 -0.00226 -0.00136 -0.0025

(0.28008) (0.64034) (0.48841) (0.52632) (0.36532) (0.5337) (0.20143)

X12 0.00095 -0.00018 -0.00019 -0.00006 -0.00005 -0.00028 -0.00061*

(0.52831) (0.86564) (0.77415) (0.89325) (0.91602) (0.47187) (0.08058)

X13 0.00083 0.00055 0.00024 0.00007 -0.00002 -0.00014 -0.00019

(0.73127) (0.60265) (0.78235) (0.94504) (0.99509) (0.96723) (0.92253)

X21 0.01542 0.01066 -0.00289 -0.007 -0.00425 -0.00242 -0.00273

(0.3818) (0.5826) (0.7785) (0.17465) (0.30518) (0.57982) (0.28266)

X31 0.21833*** 0.14526*** 0.0621*** 0.02704 0.01636 0.00989 0.00825

(0.00707) (0.00215) (0.00552) (0.14397) (0.20492) (0.45839) (0.51228)

D41 0.19258 -0.09742 -0.03979 -0.03939 -0.41726 -0.52521*** -0.5883***

(0.50927) (0.63816) (0.11978) (0.1868) (0.13153) (0.00322) (0.00012)

D42 0.20391 0.07176 -0.06349 -0.03694 -0.07755 -0.0428 -0.04809

(0.26328) (0.65132) (0.45421) (0.55729) (0.20529) (0.52148) (0.42338)

D43 -0.15529 -0.07802 -0.05831 -0.05725 -0.06632 -0.03763 0.00802 (0.57132) (0.63983) (0.31967) (0.31919) (0.19667) (0.47195) (0.88206)

X51 -0.02263** -0.01959*** -0.00826** -0.0049** -0.006*** -0.0053*** -0.00523***(0.01602) (0.00046) (0.01848) (0.02231) (0.00206) (0.00204) (0.00516)

X52 -0.00027*** -0.00016* -0.00003 0.00003 0.00001 -0.00006 -0.00008 (0.00621) (0.08927) (0.83735) (0.92817) (0.98223) (0.21294) (0.10267)


80


三、金融危機期間與否 - Panel Data 結果

(一) 對金融危機期間與非危機期間銀行放款額度影響實證結果

鑑於同期與落後一期的實證結果差異性並不大，故本研究分析不動產相關廠商的授信5P變

數，對於同期間銀行信用風險的影響於金融危機與非金融危機期間之差異性。由該表Hausman檢

測的結果呈現隨機效果模型於金融危機與非金融危機期間銀行放款額度的結果均是較佳的。和全

期間的估計結果相同的是，不論在金融危機與非金融危機期間廠商授信5P變數中流動比率、存貨

週轉率及保留盈餘分別對銀行的放款額度有顯著正向的影響，故廠商的償債能力、經營效能以及

還款來源分別對銀行的信用風險有顯著負向的影響。

有關擔保品價值相關變數因區分金融危機與非金融危機期間造成樣本數降低係數估計不精

確，故將擔保品價值相關變數合併為一個擔保品價值變數，此時當有擔保品時D2=1，否則D2=0。

本文發現當區分為金融危機與非金融危機期間時，擔保品價值變數對銀行放款額度之影響轉趨不

顯著。和全期間的估計結果明顯不同的是，只有在非金融危機期間的公司營業毛利成長率對銀行

的放款額度有顯著正向影響，故其對銀行的信用風險有顯著的負向影響。然而，在金融危機期間

該變數對銀行的信用風險並無顯著負向影響，可能原因在於危機期間公司營業毛利成長率的數值

相對較小或者銀行的信用風險相對較大之故。

(二) 對金融危機期間與非危機期間銀行信用評等影響實證結果

由該表Hausman檢測的結果呈現固定效果模型於金融危機與非金融危機期間銀行信用評等的

結果均是較佳的。和全期間的估計結果相同的是，不論在金融危機與非金融危機期間廠商授信5P

變數中流動比率對銀行信用評等有顯著正向的影響，故廠商的償債能力對銀行的信用風險有顯著

負向的影響。同樣地，本文發現當區分為金融危機與非金融危機期間時，擔保品價值變數對銀行

信用評等之影響較趨不明顯。

和全期間的估計結果明顯不同的是，金融危機期間的公司營業毛利成長率對銀行信用評等有

顯著正向影響，故其對銀行的信用風險有顯著的負向影響。然而，公司營業毛利成長率在非金融

危機期間對銀行的信用風險並無顯著負向影響。這結果顯示公司營業毛利成長率的減少在金融危

機期間相較於非金融危機期間對銀行信用風險的增加之敏銳度相對較高。

(三) 對金融危機期間與非危機期間風險性資產金額影響實證結果

由該表Hausman檢測的結果呈現隨機效果模型於金融危機與非金融危機期間銀行風險性資產

81


金額的結果均是較佳的。和全期間的估計結果相同的是，不論在金融危機與非金融危機期間廠商

授信5P變數中所屬產業之GDP成長率對銀行風險性資產金額有顯著負向的影響，故廠商的前景展

望對銀行的信用風險有顯著負向的影響。同樣地，本文發現當區分為金融危機與非金融危機期間

時，擔保品價值變數對銀行風險性資產金額之影響較趨不明顯。

和全期間的估計結果明顯不同的是，金融危機期間廠商的流動比率及公司營業毛利成長率對

銀行風險性資產金額有顯著負向影響，故其對銀行的信用風險有顯著的負向影響。然而，廠商該

兩變數在非金融危機期間對銀行的信用風險並無顯著負向影響。這結果顯示公司流動比率及其營

業毛成長率的減少在金融危機期間相較於非金融危機期間對銀行信用風險的增加之敏銳度相對

較高。然而，金融危機期間廠商的融資額度對銀行風險性資產金額有顯著正向影響，故其對銀行

的信用風險有顯著的正向影響。然而，廠商該變數在非金融危機期間對銀行的信用風險並無顯著

正向影響。其可能原因為在金融危機期間相較非金融危機期間廠商的融資額度相對較大或者銀行

的信用風險相較大之故。

四、金融危機期間與否 - Panel 分量迴歸結果

(一) 對金融危機期間與非危機期間銀行放款額度影響實證結果

接續，本研究使用Panel分量迴歸分析不動產相關廠商的授信5P變數對於同期間銀行信用風險

於金融危機與非金融危機期間的影響，以釐清在兩段期間下於銀行信用風險不同分量影響的差異

性。和全期間Panel分量迴歸估計結果相似的是，不論在金融危機與非金融危機期間廠商授信5P

變數中，在較低的分量時不動產廠商的流動比率對銀行放款額度才有明顯正向的影響，而在大部

分的分量時不動產廠商的保留盈餘對銀行放款額度多有明顯正向的影響。亦即，在兩段期間下廠

商的償債能力於銀行放款額度較低時才對銀行的信用風險有顯著負向的影響；而廠商的還款來源

於大部分的銀行放款額度時對銀行的信用風險多有顯著負向的影響。

和全期間Panel分量迴歸估計結果不同的是，在金融危機期間於很低及很高的分量時不動產廠

商的融資額度對銀行放款額度有明顯負向的影響，故此時廠商的資金用途於銀行放款額度很低及

很高時會對銀行的信用風險有顯著正向的影響。這可能是因為在金融危機期間銀行對廠商的放款

金額傾向保守，多小於廠商的融資額度，故於銀行放款額度很低或很高時，廠商資金用途會明顯

增加銀行的信用風險。並且，只有在非金融危機期間於極低的分量之下不動產廠商的存貨週轉率

對銀行放款額度有明顯正向的影響，故此時廠商的經營效能於銀行放款額度極低時會對銀行的信

82


用風險有顯著負向的影響。

(二) 對金融危機期間與非危機期間銀行信用評等影響實證結果

和全期間Panel分量迴歸估計結果相似的是，不論在金融危機與非金融危機期間，在信用評等

中間的分量時不動產廠商的所屬產業GDP成長率對銀行信用評等才有明顯正向的影響，亦即在兩

段期間下產業的前景展望於銀行信用評等居中時才對銀行的信用風險有顯著負向的影響。和全期

間Panel分量迴歸估計結果相似但和金融危機期間Panel分量迴歸估計結果不同的是，在非金融危

機期間於信用評等很低的分量時不動產廠商的流動比率對銀行信用評等才有明顯正向的影響，故

在非金融危機期間下廠商的償債能力於銀行信用評等很低時才對銀行的信用風險有顯著負向的

影響。這可能是因為在非金融危機期間銀行對廠商的信用評等趨於寬鬆，且廠商的流動比率較

高，故於銀行信用評等很低時，廠商的償債能力才會明顯降低銀行的信用風險。並且，在非金融

危機期間只有於極低的分量時不動產廠商的營業毛利成長率對銀行信用評等才有明顯正向的影

響，故在非金融危機期間下廠商的前景展望於極低的銀行信用評等時對銀行的信用風險才有顯著

負向的影響。這可能是因為在非金融危機期間銀行對廠商的信用評等趨於浮濫，且廠商的營業毛

利成長率較高，故於銀行信用評等極低時，廠商的前景展望才會明顯降低銀行的信用風險。和非

金融危機期間Panel分量迴歸估計結果不同的是，在金融危機期間於信用評等很高的分量時不動產

廠商的擔保品價值對銀行信用評等才有明顯正向的影響，故在金融危機期間下廠商的債權保障於

銀行信用評等很高時才對銀行的信用風險有顯著負向的影響。這可能是因為在金融危機期間銀行

對廠商的信用評等趨於保守，且不動產廠商需要的擔保品價值較高，故於銀行信用評等很高時，

廠商的債權保障才會明顯抑制銀行的信用風險。

(三) 對金融危機期間與非危機期間風險性資產金額影響實證結果

和全期間Panel分量迴歸估計結果相似的是，不論在金融危機與非金融危機期間廠商授信5P

變數中，在極高的分量時不動產廠商的流動比率對銀行的風險性資產金額才有明顯負向的影響，

在全部的分量時不動產產業的GDP成長率對銀行的風險性資產金額都一致有明顯負向的影響，而

在很低的分量時不動產廠商的營業毛利成長率對銀行的風險性資產金額才有明顯負向的影響。亦

即，在兩段期間下廠商的償債能力於銀行的風險性資產金額較低時才對銀行的信用風險有顯著負

向的影響；產業的前景展望於全部的銀行風險性資產金額對銀行的信用風險都一致有顯著負向的

影響；而廠商的前景展望於銀行的風險性資產金額較低時才對銀行的信用風險有顯著負向的影響。

83


和金融危機期間Panel分量迴歸估計結果不同的是，在非金融危機期間只有於中上的分量時不

動產廠商的擔保品價值對銀行風險性資產金額才有明顯負向的影響，故在非金融危機期間下廠商

的債權保障於偏高的銀行風險性資產金額時對銀行的信用風險才有顯著負向的影響。這可能是因

為在非金融危機期間銀行持有廠商的風險性資產金額相較為低，且不動產廠商需要的擔保品價值

較低，故於銀行的風險性資產金額偏高時，廠商的債權保障才會明顯抑制銀行的信用風險。

肆、結論

本研究以台灣地區銀行對不動產及資產股相關產業的授信廠商為分析對象，探討不動產及資

產股相關產業廠商難以按時還款時產生的信用風險大小是否及如何影響銀行信用風險的程度。本

研究將銀行信用風險變數具體劃分為銀行的放款額度、信用評等及風險性資產金額等變數，使用

客觀量化的授信5P原則以實證分析當銀行對這些產業廠商放款時，授信5P變數衡量的廠商信用風

險大小是否及如何影響銀行信用風險的程度。除了分析全樣本期間的結果，本研究也比較金融危

機及非金融危機期間結果的差異性。並且除了採用縱橫資料模型之外，本研究也同步使用縱橫分

量廻歸模型切割銀行風險變數為不同的分量大小，以分析廠商授信5P變數是否及如何影響銀行的

信用風險。由上述實證分析得出以下結論：第一、同期與落後一期及全期間與金融危機期間銀行

信用風險變數差異性並不大。第二、有關縱橫資料模型分析廠商信用5P變數對同期銀行信用風險

的應變數結果發現，廠商信用5P中財務狀況「償債能力」皆有顯著正向（負向）的影響。第三、

使用分量迴歸模型發現，僅有放款額度、信用評等於廠商信用5P中財務狀況「償債能力」皆有顯

著正向（負向）的影響。然而，銀行風險性資產金額對產業前景展望的負向影響很穩定，不因該

變數的高低而有差別。

本研究的貢獻可能為以下論述：第一、本研究首先使用客觀量化的授信5P原則，以分析不動

產相關產業廠商的信用風險如何影響銀行的信用風險。第二、過去台灣銀行業對不動產相關產業

廠商的放款少有全面性的數據資料可供研究，本研究資料來源彙整台灣地區個別銀行對不動產公

開發行廠商長短期借款明細，實具獨特性、信度及前緣性。第三、除了採用具有效度的縱橫資料

模型之外，本研究也同步使用精密的縱橫分量廻歸模型切割銀行風險變數為不同的分量大小，以

更精確捕捉廠商信用風險對銀行信用風險的影響。第四、本研究同時比較金融危機及非金融危機

期間結果的差異性，以進行不同期間下的穩定性檢測。最後，此研究結果可提供予銀行業者於授

信不動產相關企業徵信審查時放款准駁的重要參考。

84


參考文獻

1. 江百信、張金鶚 (1995)，「我國購屋貸款放款條件之研究」，住宅學報，3，1-20。

2. 李瑞慶 (2006)，授信管理，臺北：慧明出版社，88-154。

3. 李馨蘋、何喜將 (2007)，「銀行業之公司治理機制如何影響銀行風險承擔行為」，會計與公司治

理，4：2，1-22。

4. 沈大白、張揖平 (2006)，「新巴賽爾協定對國內中小企業影響之實證研究」，金融風險管理季刊，

2：3，89-112。

5. 沈中華、陳錦村、吳孟紋 (2005)，「更早期預警模型:台灣銀行道德指標的建立即影響」，管理

學報，22：1，1-28。

6. 沈中華、張家華 (2004)，「違約機率與總體經濟相關性」，金融聯合徵信中心2004年3月號信用

資訊(News Letter)，1-25。

7. 汪海清 (2004)，企業徵信調查實務，財團法人金融研訓院，5-9。

8. 林左裕、賴郁媛 (2005)，「台灣銀行業逾放比與總體經濟因素間關係之研究」，商管科技季刊，

6：1，165-179。

9. 林宗翰、謝雅惠、張輝鑫、柯俊禎、林佐裕 (2011)，「中小企業貸款違約因素之探討」，東海管

理評論，12：1，121-150。

10. 林婷鈴 (1994)，「銀行信用評估因素與授信決策之探討」，台灣經濟金融月刊，351，11-17。

11. 陳家彬、賴怡洵 (2001)，「台灣地區銀行放款有無擔保之決定因素 - Logit模型之實證分析」，

管理評論，20：1，129-159。

12. 陳家彬、江惠櫻及賴怡洵 (2003)，「商業銀行對企業授信決策考量因素與授信品質之關係」，

管理評論，22：2，1-23。

13. 陳錦村、李智芳 (2005)，「中小企業信保案件之違約機率、回收率與授信風險值的實證研究」，

台灣金融季刊，6：4，69-97。

14. 陳錦村 (1996)，「銀行授信客戶之甄選:層級分析法的應用與比較」，台大管理論叢，7：2，1-28。

15. 葉國興、黃天麟 (2002)，銀行對授信企業規範，台北：台灣金融研訓院。

85


16. 戴錦周、陳研研 (2005)，「台灣商業銀行1994-2002年授信戶逾期還款行為之研究」，台灣金融

財務季刊，6：1，119-133。

17. 趙美蘭 (1994)，「美國金融業風險性資產管理之研究」，存款保險叢書之十八。

18. Altman, E. I., R. G. Haldeman and P. Narayanan, (1977), “ZETA Analysis: A New Model to

Identify Bankruptcy Risk of Corporations,” Journal of Banking and Finance, 1:1, 29-54.

19. Beaver, W. H., (1966), “Financial Ratio as Predictors of Failure,” Journal of Accounting Research,

4:1, 71-111.

20. Berger, A. N. and R. D. Young, (1997), “Problem Loans and Cost Efficiency in Commercial

Banks,” Journal of Banking and Finance, 21:6, 849-870.

21. Bhattacharya, S. and A. Thakor, (1993), “Contemporary Banking Theory,” Journal of Financial

Intermediation, 3, 2-50.

22. Boot, A. and Thakor, A. V. and Udell, G. F., (1991),“Secured lending and default risk：

Equilibrium analysis, policy implications and empirical results,”Economic Journal, 101, 458-472.

23. Chateauneuf A. and G. Lakhnati (2015), “Increases in risk and demand for a risky asset,”

Mathematical Social Sciences, 75, 44-48.

24. Chen, S. S., G. H. Yeo, and K. W. Ho, (1998), “Further Evidence on The Determinants of Secured

Versus Unsecured Loan,” Journal of Business Finance and Accounting, 25, 371-385.

25. Clair, R. T., (1992), “Loan Growth and Loan Quality: Some Preliminary Evidence from Texas

Banks,” Economic Review-Federal Reserve Bank of Dallas, Third Quarter, 9-21.

26. Dichev, Ilia D. and Joseph D. Piotroski, (2001), “The Long-run Stock Returns Following Bond

Ratings Changes,” Journal of Finance, 56, 173-204.

27. Eisenhardt, K. M., (1989), “Agency Theory: An Assessment and Review,” Academy of Management

Review, 14, 57-74.

28. Gardner, M. J. and D. L. Mills, (1989), “Evaluating the Likelihood of Default on Delinquent

Loans,” Financial Management, 18, 55-63.

86


29. Gaur, V., Marshall L. Fisher, Ananth Raman, (2005), “An Econometric Analysis of Inventory

Turnover Performance in Retail Services,” Management Science, 51:2, 181-194.

30. Ghosh, S., (2005), “Does Leverage Influence Banks’Non-Performing Loans? Evidence from India,”

Applied Economics Letters, 12, 913-918.

31. Hand, John R. M., Rober W. Holthausen and Richard W. Leftwich, (1992), “The Effect of Bond

Rating Agency Announcements and Bond and Stock Prices,” Journal of Finance, 47, 733-752.

32. Jimenez, Gabriel and Jesus Saurina, (2004), “Collateral, Type of Lender and Relationship Banking

as Determinants of Credit Risk,” Journal of Banking and Finance, 28, 2191-2212.

33. Kalton, G., D. Kasprzk, and D. B. McMillen, (1989), “Nonsampling Errors in Panel Surveys,” in D.

Kasprzyk, G. J. Duncan, G. Kalton, and M. P. Singh (eds.) ,Panel Surveys, New York: John Wiley

& Sons, 249-270.

34. Keeton W. R. and C. S. Morris, (1987), “Why Do Banks Loan Losses Differ?” Economic Review,

May, 3-21.

35. Kliger, Doron and Oded Sarig, (2000), “The Information Value of Bond Ratings,” Journal of

Finance, 55, 2879-2902.

36. Koenker, R. and G. Bassett, (1978), “Regression Quantilie,” Econometrica, 46, 33-50.

37. Li, Y., (2003), “The Asian Financial Crisis and Non-performing Loans : Evidence from Commercial

Banks in Taiwan,” International Journal of Management, 20, 69-74.

38. Menkhoff, L., Neuberger, D. and Suwanaporn, C., (2006), “Collateral-based lending in emerging

markets： Evidence from Thailand,” Journal of Banking and Finance, 30, 1-21.

39. Miller, M. H. and K. Rock, (1985), “Dividend policy under asymmetric information,” Journal of

Finance, 40, 1031-1051.

40. Ohlson, J. A., (1980), “Financial Ratios and the Probabilistic Prediction of Bankruptcy,” Journal of

Accounting Research, 18:1, 109-131.

41. Richards, V. and Laughlin, E, (1980), “A Cash Conversion Cycle Approach to Liquidity Analysis,”

Financial Management, 9:1, 32-38.

87


42. Rothschild, M. and Stiglitz, J., (1971), “Increasing Risk : I. A Definition,” Journal of Economic

Theory, 2, 225-243.

43. Shen, C. H. and C. A. Wang, (2005), “Does Banking Relationship Matter to Firms Investment and

Financial Constraints? Evidence from The Taiwan s Case,” Pacific Basin Finance Journal, 2,

163-184.

44. Steenackers, A. and Goovaerts , M. J., (1989), “A Credit Scoring Model for Personal Loans,”

Insurance Mathematics Economics, 31-34.

45. Uchida, H. and R. Nakagawa, (2007), “Herd behavior in the Japanese loan market: Evidence from

Bank panel data,” Journal of Financial Intermediation, 16, 555-583.

46. Updegrave, (1987), “How Lender Size You Up,” Money, 23-40.

47. Wilson, Thomas C., (1998), “Portfolio Credit Risk,” FRBNY Economic Policy Review, 71-82.

關鍵詞

授信5P、銀行、信用風險、不動產、縱橫資料模型、縱橫分量廻歸模型

88


The Impact of Firms Financing on Bank Credit Risk

‧Hao Fang Associate Professor, Asset and Property Management, Hwa Hsia University of Technology

‧Yen-Hsien Lee Associate Professor, Department of Finance, Chung Yuan Christian University

‧Ting-Yi Chiang Ph.D. Student, Department of Architecture, National Taiwan Univ. of Sci. and Tech.

Abstract This research quantifies the 5P’s of Credit Investigation to analyse real estate properties in Taiwan

and the risk scale of asset-related vendors failing to pay loans on time, and how that affects bank credit

risk. Meanwhile, the project also compares the results with and without a financial crisis to analyse the

stability in different periods. This study regards bank credit-extending volume, credit rating and risky

assets’ amount as the proxy variables of bank credit risk. Among them, the lower bank credit-extending

volume, the lower bank credit rating or the higher risky assets’ amount is, the higher bank credit risk is.

It was discovered in the research that there is not much discrepancy in how the 5P’s influence bank

risk-taking, with or without a financial crisis. All in all, the results of Panel Data Regression Model

show the Payment ability has a positive impact on bank credit-extending volume and credit rating; in

addition, the prospects of a company has a significantly negative influence on bank risky assets’

amount. Furthermore, the analysis of Panel Quantile Regression Model shows that the Payment

resource has a significantly positive impact on credit-extending volume while the prospect has a

consistently negative impact on bank risky assets’ amount, no matter how much the volume is. In

conclusion, the research results can be provided as reference for the credit investigation of a bank in the

real estate industrial firms.

Keywords：5P’s of Credit Investigation, Credit Risk, Real Estate, Panel Quantitle

Regression Model

廠商融資對銀行信用風險之影響經濟新報彙整台灣地區個別銀行對公開發行公司長短期借款明細資料庫的數據顯示長期以來，整...

Documents