沒有財報,也能看見企業存續風險嗎?- TEJ中小企業資料實證研究

沒有財報,也能看見企業存續風險嗎?- TEJ中小企業資料實證研究

中小企業沒有財報,授信與研究該看什麼?

台灣公開發行以上企業根據法規需要公告財報,但台灣9成以上企業屬於非公開發行的中小企業,這些企業不需要公開財報,相較於公開發行企業,資訊相對有限。因此,對於銀行、供應鏈等利害關係人來說,與中小企業合作或進行貸放時,沒有公開的財務報表可判斷一家中小企業的真實營運狀況,從而評估合作或貸放風險。決策者真正想知道的,不只是「這家公司會不會倒」,還有「風險大概什麼時候升高」。

TEJ「中小企業異動雷達」以統一編號串接經濟部商業司工商登記、財政部稅籍、司法院訴訟,以及勞動部、環保署、公平會等裁罰資料,涵蓋 80 萬家持續經營的公司,並每日提供資本額、更名、地址、代表人等重要資訊的異動檔。

然而,變數多不代表有用。對於金融機構而言,要把這些變數放進貸前審查與貸後監控,必須先知道:哪些變數與企業倒閉有關?關聯有多強?結果可以相信到什麼程度? 沒有研究結果支持,監控名單只是一堆通知,無法排出處理的先後。

因此,本文研究2016–2025 年設立的台灣非公開發行公司共441,940 家,使用非財報資料建立存活模型,檢驗三件事:

  1. 這些資料能否對企業倒閉的先後,做出具參考價值的排序?
  2. 哪些變數與倒閉風險的關聯較明顯?
  3. 研究結果對金融機構的監控作業與學術研究,分別能用到什麼程度?

▶️ 延伸閱讀:中小企業異動雷達

研究方法

本研究目的為找出「哪些企業比較容易先倒」,所以選用能處理「時間」的存活分析。以下依序說明為什麼這樣選、用了哪些資料、如何定義倒閉,以及模型如何設定。

為什麼用存活分析

判斷一家企業會不會倒,有兩種做法:一種像拍照,一種像計時。

羅吉斯回歸如同相機,只在某個時點(例如設立滿 3 年)拍一張照,結果只有「倒閉」或「存活」兩種。Cox 存活模型則是碼錶,從設立那天開始計時,一直記錄到企業倒閉或觀察結束,保留的是「撐了多久」。因此它能比較「誰先倒」,也能推估第 1、3、5 年等不同時點的存活機率。

舉例來說,要評估一項補助能否降低企業「3 年內倒閉」的機率:企業 A(未受補助)在第 1 個月倒閉,企業 B(有補助)在第 35 個月倒閉。相機式的做法只看第 3 年底,兩家都被標成「倒閉」,看不出 B 其實多撐了 34 個月;碼錶式的做法則保留兩家的存活時間,補助是否「延緩」倒閉才看得出來。

另一個關鍵是,多數企業到觀察截止日還活著,我們只知道它們「至少活到這一天」,統計上稱為「右設限」。例如追蹤 100 家企業 5 年:30 家倒閉、10 家中途退出觀察、60 家期滿仍營運,後兩類共 70 家的最終結果都還不知道。若把這 70 家直接當成「沒倒」,或乾脆刪除,算出的倒閉率都會失真;存活分析則能把這些「還在進行中」的資料一併納入計算。

資料與樣本

本研究資料取自 TEJ 中小企業異動雷達資料集,下表整理資料來源、樣本範圍與觀察期間。

項目 內容
資料來源 TEJ 中小企業異動雷達資料集,取其中工商登記異動、專利、ISO 認證、訴訟…等資料,另外利用 TEJ 其他資料整理出該公司所屬集團 TCRI 評等、產業別
樣本 2016 年 1 月 1 日至 2025 年 12 月 31 日設立的 441,940 家公司(公司組織,不含獨資、合夥的行號;已排除組織調整與行政程序類)
資料擷取日 2026 年 6 月 15 日;正常營運企業的存活時間計算至此日
存活時間 自設立日起,至倒閉日或觀察截止日的月數

樣本公司的資本額分布高度右偏(第 1 四分位數 40 萬元、中位數 100 萬元、第 3 四分位數 325 萬元),且大量企業恰好登記為 100 萬元。研究以 100 萬元為界分別建模,本文以資本額超過 100 萬元的核心研究組(181,181 家,占 41.0%)為主,100 萬元(含)以下的對照組(260,759 家,占 59.0%)作為比較。

圖、原始資本額分布(橫軸截至 5,000 萬元)

※虛線分別為第 1 四分位數 40 萬元與第 3 四分位數 325 萬元;實線為中位數 100 萬元。

倒閉的定義

公司登記狀態有數十種寫法,TEJ 逐一歸類如下:

分類涵蓋狀態(節錄)處理方式
歇業與停業停業、歇業視為倒閉
解散與清算解散、清理完結、命令解散視為倒閉
廢止與撤銷廢止登記、撤銷設立、撤回認許視為倒閉
破產與重整破產、重整、接管視為倒閉
正常營運營運中、核准設立、核准登記存活(右設限)
組織調整與行政程序合併解散、分割解散、遷他縣市、申覆不納入分析

註:合併或分割解散的公司,業務已由存續公司承接;遷他縣市只是登記地址變更;申覆則是狀態尚未定案。這些情況不代表經營失敗,若誤判為倒閉,會高估市場淘汰率。

▶️ 延伸閱讀:從財報看企業信用風險蛛絲馬跡?財報申報出包可能信用風險警示!

解釋變數

模型納入七類非財報變數,涵蓋企業的規模、異動、制度化程度、法遵紀錄、公司型態、所屬集團與產業。其中「次數」類變數,都是累計到資料擷取日的次數。

類別變數
規模與資本資本額(取 log1p 對數轉換,降低極端值影響)、資本額變更次數
營運異動公司搬遷次數、負責人更換次數
技術與制度化ISO 證照總數、專利總數、專利衝突次數
法遵與標章訴訟次數、MIT 標章數量
公司型態股份有限公司(基準:有限公司)
所屬集團信用評等集團核心公司 TCRI 第 1–9 級及 C、D 級(基準:無評等)
產業別主計處行業標準分類的 20  個大類
註1:次數類變數皆為截至資料擷取日的累計次數。集團實收資本額與其他變數高度相關(共線性檢查未通過),為避免估計失真,已移出多變量模型。
註2:TEJ TGPS集團觀察家歸納台灣集團企業,且如果該集團核心公司為公開發行以上公司且屬於TCRI評等範圍,才有集團核心公司TCRI等級。TCRI 評等不評金融業及非公開發行企業。
註3:產業劃分參考行政院主計總處行業標準分類(第 12 次修訂)之 20 個大類,並增設「未分類」。因「公共行政及國防;強制性社會安全」樣本數不足予以排除,本次分析共涵蓋 20 個產業類別,且相關指標皆以「批發及零售業」為比較基準。

▶️ 延伸閱讀:什麼是ISO標準?ISO9000、ISO14000、ISO22000 全介紹!

模型設定

不同設立年份的企業,存活曲線的形狀不同(見下節),無法共用同一條基本風險曲線;加上新冠疫情期間企業所受到的系統性風險不同,因此本研究將企業依設立年份分成三群:2016–2019 年(疫情前)、2020–2021 年(疫情期間)、2022–2025 年(疫情後),讓每一群有自己的「基本風險」;ISO、資本額等其他變數,則三群共用同一組係數。這種做法稱為分層 Cox 模型,公式如下:

λ(t | X) = λ₀,g(t) × exp(βX)

白話來說:企業的風險 = 所屬世代的基本風險 × 各項特徵帶來的加成或折扣。其中 exp(β) 稱為風險比(Hazard Ratio, HR)。HR 小於 1,代表該特徵與較低的倒閉風險相關;大於 1 則與較高風險相關。 例如 ISO 的 β = −0.51,HR = exp(−0.51) ≈ 0.60,表示每多一張 ISO 證照,倒閉風險約低 40%。

研究結果

研究結果分成四部分:不同世代的存活曲線、哪些變數與倒閉風險有關、產業與集團背景的差異,以及模型的排序能力。

不同世代的存活曲線

存活曲線顯示:設立後經過一段時間,仍在營運的企業占多少比例。三個設立世代的曲線,在不同階段呈現不同樣貌:

  • 前 25 個月:疫情前世代存活率幾乎維持在 100%;疫情期間與疫情後世代從設立初期就開始下降,第 20 個月約 97.5%。
  • 30–54 個月:疫情期間與疫情後兩世代的曲線幾乎重合,第 54 個月約 89%;同一時點疫情前世代約 93%–94%。
  • 54 個月之後:疫情前世代下降加快,約在 70–75 個月與疫情期間世代收斂於 83%–84%。

三個世代的最長追蹤期間約為 125 個月(疫情前)、77 個月(疫情期間)與 54 個月(疫情後),因此可直接比較的範圍約到 54 個月。疫情期間與疫情後世代在這 54 個月內幾乎沒有差異,因此資料並不支持「疫情期間設立的企業出現特別陡峭的早期倒閉潮」這類說法。另需留意,疫情前世代頭兩年幾乎沒有倒閉,並不符合一般商業情境,較可能是早期就倒閉的公司沒有被收錄(統計上稱為「左截斷」),本研究尚未校正。

圖 、依設立世代的 Kaplan-Meier 存活曲線

※圖例「後疫情復甦期」即本文的疫情後世代。

哪些變數與較低倒閉風險相關

下表列出各項特徵的風險比(HR)。HR 可以直接當成風險的加減碼來讀:HR 0.60 代表風險約低 40%,HR 1.37 則代表風險約高 37%;數字越小,與倒閉風險越低相關。

表、多變量分層 Cox 模型結果

變數資本額超過 100 萬元 HR風險變化資本額 100 萬元(含)以下 HR
ISO 證照總數(每 +1)0.60−40%0.26(p = 0.03)
資本額變更次數(每 +1)0.70−30%0.77
資本額(log1p)0.79−21%0.81
專利衝突次數(每 +1)0.80(p = 0.03)−20%1.00(不顯著)
負責人更換次數(每 +1)0.81−19%0.73
公司搬遷次數(每 +1)0.85−15%0.73
專利總數(每 +1)0.98−2%0.88
股份有限公司(相對有限公司)1.37+37%1.37
MIT 標章數量0.89(不顯著)—1.06(不顯著)
訴訟次數1.00(p = 0.01)無可辨識效果1.00(不顯著)
註:除註明者外,各係數 p 值皆小於 0.005。

重點整理:

  • ISO 證照與資本額變更,是關聯最強的兩項。 可能反映品質管理等制度較成熟,以及企業有資本調整的能力與紀錄。不過它們同樣是累計次數,存活越久越容易累積,保護效果可能被高估。小型組的 ISO 風險比為 0.26,看似更強,但該組持有 ISO 的企業較少,估計精確度較低,不宜過度解讀。
  • 資本額越大,風險越低,方向與直覺一致。
  • 專利總數、訴訟次數、MIT 標章的辨識力有限:專利總數每 +1 僅差 2%,訴訟次數四捨五入後無可辨識效果,MIT 標章不顯著。
  • 搬遷、負責人更換與專利衝突「次數越多、風險越低」,與直覺不同。 這些都是累計次數,企業活得越久,越有機會累積紀錄,即使變數本身不影響存活,也會呈現這種關聯。因此,本表應解讀為「與較低倒閉風險相關的特徵」,不宜視為因果,也不宜解讀為「多換負責人比較安全」。
  • 股份有限公司的風險比有限公司高約 37%(兩組皆為 HR 1.37)。本研究尚未分析原因,宜視為待驗證的現象。

產業別與集團背景

產業別反映各行業經營環境的差異,集團背景則反映企業是否有集團支撐。兩者的結果如下:

  • 在已分類的產業中,住宿及餐飲業的風險最高。 產業別採主計處行業標準分類的大類,以批發及零售業為基準;住宿及餐飲業在兩組資本額中風險都最高(HR 1.75 與 1.48),醫療保健及社會工作服務業與營建工程業在兩組都屬較低風險。 另外,未來研究若需深入掌握細部差異,仍需拆到主計處行業標準分類的中、小類才能更精準判斷原因。
  • 產業別資料缺失的企業,HR 高達 7.51(小型組 4.07)。這可能代表資訊揭露不完整與較高風險有關,但也可能只是已倒閉公司較少補齊資料,作為預警訊號前應先排除後者。
  • 所屬集團的 TCRI 評等:與倒閉風險有關,但並非單調線性關係。 本變數採用企業所屬母集團核心公司之信用評等(數字越大信用越差,C 級為未如期公告財報,D 級為違約)。與未隸屬評等集團的獨立企業相比,在資本額超過 100 萬元的組別中,集團評等在第 4–7 級者倒閉風險顯著較低(HR 0.53–0.67);但結果並未呈現「評等越差、倒閉風險越高」的線性趨勢,例如母集團已違約的 D 級企業,倒閉風險反而顯著偏低約 40%(HR 0.60)。 此反常現象可能源於實務限制:當母集團面臨違約或重整時,附屬企業常因牽涉債權訴訟或資產扣押,導致實質停擺卻未及時辦理解散註銷,產生形式上留存的統計假象;另亦不排除極端評等樣本較少帶來的估計波動。因此,該變數僅反映「是否隸屬集團網絡」,不宜直接等同於企業自身的信用品質或獲得實質支援。

圖、各產業相對批發及零售業的倒閉風險比

圖、各產業相對批發及零售業的倒閉風險比

模型的風險排序能力

C-index 可以想成:任挑兩家企業,模型猜對「哪一家先倒閉」的機率。0.5 等同亂猜;0.6–0.7 為中等,0.7–0.8 為良好,0.8–0.9 為極佳。

表、模型表現

組別樣本數訓練集 C-index測試集 C-index評級
資本額超過 100 萬元181,1810.70220.7026良好
資本額 100 萬元(含)以下260,7590.64700.6432中等

樣本依倒閉狀態以 80:20 進行分層隨機抽樣切分為訓練集與測試集,嚴格維持兩組之存活比例一致。兩者的 C-index 表現幾乎完全一致,代表在同一母體下,模型具備穩健的樣本外泛化能力,並無過度擬合的跡象。

前面的 C-index 是整體表現。若想知道模型在不同時間點的準確度,可以看時間相依 AUC(0.5 等同亂猜,越接近 1 越準)。表中的「12 個月」,是指模型能否區分「設立後 12 個月內倒閉」與「超過 12 個月仍存活」的企業,並不是對任一時點的企業做「未來一年」的預測。

表、時間相依 AUC(IPCW 方法)

自設立日起算超過 100 萬元100 萬元(含)以下
12 個月0.87690.8359
36 個月0.79670.7826
60 個月0.73140.6925

本表以 Uno 等人(2007)提出的設限反機率加權(IPCW)方法計算,用來處理尚未發生倒閉的企業。期間越短,辨識越準;AUC 隨期間拉長而遞減,這在存活分析文獻中相當常見:Christensen(1987)指出個體狀況會隨時間變化,評估時須考慮這些變化;van Houwelingen 與 Putter(2011)也指出,更新不頻繁的自變數會使預測效果隨時間衰減。由於變數為累計值,設立第一年就倒閉的企業累積的紀錄偏少,短期 AUC 可能因此偏高。

研究限制與解讀提醒

這份研究有幾項限制,使用結果時需要留意。下表列出每項限制可能造成的影響,以及後續可以怎麼改進。

限制可能影響後續改進方向
次數類變數為累計值存活越久越易累積紀錄,保護效果可能被高估,短期 AUC 可能偏高改用時間相依自變數,或以固定時點(landmark)資料預測後續存活
疫情前世代可能有左截斷(早期倒閉的公司未被收錄)這類公司缺漏,影響基準風險與係數以延遲進入(delayed entry)校正
合併、分割、遷他縣市、申覆者被排除這些企業在變更前其實存活,可能造成選樣偏誤改為在狀態變更日設限
停業、重整、接管視為倒閉部分企業之後可能復業,倒閉數可能被高估後續狀態追蹤或敏感度分析
訓練集與測試集來自同一期間無法確認對未來新設企業的表現以不同設立年度做跨時間驗證

此外,國外研究顯示新創企業前 3 年的倒閉比例偏高:van Praag(2003)指出約一半新創企業無法撐過前 3 年,Łobos 與 Szewczyk(2012)則發現約四分之一企業在設立後 3 年內退出,本研究超過 100 萬元組的 3 年倒閉率約 5%,明顯較低。可能因樣本僅限公司組織,也可能與早期倒閉漏收有關,比較時應留意定義差異。另外,樣本均為 2016–2025 年設立的企業(最長追蹤約 10 年),設立更早的企業不在樣本內,套用到較老的企業前需先驗證。

結論:初步成果與後續延伸

本研究顯示,即使沒有財報,以工商登記、制度化、集團背景與產業屬性等非財報資料,仍能對非公發公司的倒閉先後做出具參考價值的排序(依倒閉狀態進行分層抽樣驗證下, 資本額超過 100 萬元的 18 萬家,測試集 C-index 為 0.70,屬良好;100 萬元(含)以下的 26 萬家為 0.64,屬中等)。

中小企業異動資訊對貸前審查與貸後監控的參考方向

這份研究提供的是穩健的「相對風險排序」,而非單純的「二元是非題」:它能幫助金融機構決定優先關注哪些客戶,但還不能直接單憑模型決定放款准駁。

目前研究結果可初步支持的用途(尚待外部驗證):

  • 在貸前審查中,把資本額、ISO、集團背景、產業等做為輔助參考,搭配既有的徵信流程。
  • 在貸後監控中,依風險排序決定覆審的頻率與名單的先後。

目前不宜直接支持的用途:

  • 把模型切成硬性的篩選門檻(需先依機構的審查產能設定門檻)。
  • 直接用於定價或資本計提(需先針對高風險區段做校準)。
  • 把異動次數當作預警訊號。本研究的搬遷、負責人更換都是累計次數,呈現的是「活得久的企業紀錄多」,不是「異動越多越安全」,也不是「異動越多越危險」。要判斷一次異動是否為警訊,需要帶有發生時點的資料與時間相依的分析。

這正是中小企業異動雷達每日異動檔的價值所在:異動資料帶有時間資訊,可以做為下一步時間相依分析的素材。

中小企業異動資訊的學術研究方向

本研究的限制,同時也是後續研究的題目:

  1. 時間相依自變數或 landmark 設計,釐清各變數的獨立效果。
  2. 左截斷與延遲進入的校正。
  3. 跨年度的外部驗證,檢視模型對未來新設企業的表現。
  4. 將合併、分割、遷址改為在事件日設限,保留其存活資訊。
  5. 以後續狀態追蹤或敏感度分析,檢視停業、重整是否被高估為倒閉。
  6. 在不同產業別中進一步拆解中、小類,例如將電信及資訊服務業拆至軟體開發與平台新創,或將醫療保健社工業拆至診所與長照機構。

企業倒閉很少是一夕之間的事,而是一段可以被觀察的過程。本研究目前做到的是「誰比較可能先倒」的排序;要進一步看出「何時風險升高」,需要帶有時間點的異動資料與時間相依分析,這是下一步的研究方向,也需要經得起檢驗的研究結果。

想獲得更多資訊?– 中小企業異動雷達

TEJ 累積三十年的資料處理與企業評等經驗,「中小企業異動雷達」整合商工登記、稅籍、訴訟與各類裁罰資料,以統一編號串接,協助金融、法遵與風控單位掌握企業全貌,並可作為貸前審查、貸後監控與學術研究的資料基礎。

▶️立即了解中小企業異動雷達

▶️立即填表,取得資料範例

▶️聯絡 TEJ

延伸閱讀

這篇文章對您有幫助嗎?
返回總覽頁
×
Processing...