淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-2608201521380700
中文論文名稱 以分量迴歸分析與分量神經網路建構營建企業評價模型
英文論文名稱 Building Valuation Model of Enterprise Values for Construction Enterprise with Quantile Regression Analysis and Quantile Neural Networks
校院名稱 淡江大學
系所名稱(中) 土木工程學系碩士班
系所名稱(英) Department of Civil Engineering
學年度 103
學期 2
出版年 104
研究生中文姓名 詹翔安
研究生英文姓名 Siang-An Zhan
學號 600380660
學位類別 碩士
語文別 中文
口試日期 2015-06-25
論文頁數 79頁
口試委員 指導教授-葉怡成
委員-林正平
委員-蔡明修
中文關鍵字 盈餘  資產  分量迴歸分析  營建企業  企業價值  評價模型 
英文關鍵字 Earnings  Asset  component regression analysis  construction enterprises  enterprise value  evaluation model 
學科別分類 學科別應用科學土木工程及建築
中文摘要 企業經營的主要目標為極大化企業價值,為了達成此目標,需有合理的模型來評估企業的價值。本文提出收益資產複合基礎法以補現有企業評價模型之不足,並以分量迴歸分析與分量神經網路估計企業價值的分佈,最後實證研究建築業與營造業這兩種營建企業與其他產業的最適企業評價模型之差異。由於上市上櫃公司的股價乘以總股數得到的總市值合理地呈現企業價值,因此本文以股市年財報歷史資料庫做為實證的資料來源,共有14985筆資料。結論如下:(1) 收益資產複合基礎法比傳統的市場法更能準確地預測企業的市場價值。(2) 分量迴歸分析與分量神經網路可以估計企業價值的分佈。(3) 在特定股東權益報酬率下,公司的股價淨值比呈現對數常態分佈。股價淨值比乘以企業帳面淨值即得到企業的市場價值,因此企業的市場價值也呈現對數常態分佈。(4) 企業評價具有產業區別性。如果忽略產業區別性,用全體產業的企業評價模型來評價建築業、營造業公司會有明顯高估的現象。(5) 各產業在ROE大於0與小於0的二種情況,PBR的評價曲線的形態很不相同。在ROE大於0的情況,ROE越大,PBR越大;但在ROE小於0的情況,ROE越大,PBR幾乎不變。因此在ROE大於0的情況,成長價值模式是一個跨產業普遍適用的合理假設模型,但在ROE小於0的情況,成長價值模式並不適用。
英文摘要 The main goal of business is to maximize the enterprise value. To achieve this goal, it is important to build reasonable models to assess the enterprise value. This paper proposes an earnings-based and asset-based hybrid approach to supplement the existing valuation models, presents using quantile regression analysis and quantile neural networks to estimate the distribution of the enterprise value, and finally, explores the difference between the optimum valuation models for construction enterprises and other enterprises. Since the publicly traded company's share price multiplied by the total number of shares was the reasonable estimation of the enterprise value, the stock market historical database was employed as the source of empirical data, a total of 14,985 data available. The following conclusions were obtained: (1) the proposed earnings-based and asset-based hybrid approach can more accurately predict the market value of the enterprise than the traditional approach. (2) The distribution of enterprise value can be estimated with quantile regression analysis and quantile neural networks. (3) At a specific return on equity, the company's price-to-book value ratio presents a logarithmic normal distribution. The enterprise value can be obtained by multiplying the book value with the ratio, so the enterprise value also shows a logarithmic normal distribution. (4) The business valuation model of property development and construction industries is quite different from those of other industries. The enterprise values of the property development and construction industries can be significantly overestimated if the business valuation model for total industry is applied. (5) The patterns of Price-to-Book value ratio (PBR) curves are quite different in cases of the ROEs being larger or smaller than zero. The PBR becomes larger if the ROE is larger than zero and increasing. On the other hand, the PBR remains almost unchanged if the ROE is smaller than zero and decreasing. The Growth Value Model is highly useful and effective in various industries only if the ROE is larger than zero.
論文目次 目錄
第一章 研究目的 8
1-1研究動機 8
1-2研究方法 8
1-3研究內容 9
第二章 文獻回顧 10
2-1企業評價 10
2-2分量迴歸分析 15
2-3分量神經網路 16
2-4營建企業評價方法 17
第三章 研究方法 18
3-1前言 18
3-2 收益資產複合基礎法:修正成長價值模型 18
3-3 以分量迴歸分析建構企業評價模型 22
3-4 以分量神經網路(QNN)建構企業評價模型 23
3-5 企業價值分佈之估計 24
第四章 分量迴歸分析結果 29
4-1前言 29
4-2市場基礎法 30
4-3 以分量迴歸分析估計企業價值 31
4-4 企業價值分佈之估計 41
4-5收益資產複合基礎法與傳統方法之比較 53
4-6結語 57
第五章 分量神經網路結果 58
5-1前言 58
5-2 以分量神經網路估計企業價值:方法 58
5-3 以分量神經網路估計企業價值:結果 58
5-4 企業價值分佈之估計 66
5-5分量神經網路與分量迴歸分析的結果之比較 77
5-6 結語 80
第六章 結論與建議 81
6-1結論 81
6-2建議 85
參考文獻 84


圖目錄
圖2-1企業評價方法 11
圖3-1 分量神經網路(Quantile Neural Networks, QNN) 24
圖3-2 各種ROE下,不同累積機率下的PBR值 25
圖3-3 不同ROE之下的PBR累積分佈函數與各分位點的匹配 26
圖3-4 不同ROE之下的PBR機率密度函數 26
圖3-5 以分量迴歸分析結果產生PBR機率密度函數的方法論 27
圖3-6 以分量神經網路結果產生PBR機率密度函數的方法論 28
圖4-1. 股價淨值比頻率分布圖 31
圖4-2. 本益比頻率分布圖 (排除負本益比樣本) 31
圖4-3股票的ROE與PBR的樣本點散布圖,與以ROE做自變數以分量迴歸預測PBR的各分位數迴歸曲線:全部產業 32
圖4-4股票的ROE與PBR的樣本點散布圖,與以ROE做自變數以分量迴歸預測PBR的各分位數迴歸曲線:傳統產業 34
圖4-5股票的ROE與PBR的樣本點散布圖,與以ROE做自變數以分量迴歸預測PBR的各分位數迴歸曲線:電子產業 35
圖4-6股票的ROE與PBR的樣本點散布圖,與以ROE做自變數以分量迴歸預測PBR的各分位數迴歸曲線:金融產業 36
圖4-7 股票的ROE與PBR的樣本點散布圖,與以ROE做自變數以分量迴歸預測PBR的各分位數迴歸曲線:建設公司 38
圖4-8 股票的ROE與PBR的樣本點散布圖,與以ROE做自變數以分量迴歸預測PBR的各分位數迴歸曲線:營造廠 39
圖4-9 不同ROE之下的PBR的中位數(分位數=0.5):各產業比較 41
圖4-10 不同ROE之下的PBR累積分佈函數與各分位點的匹配:全部產業 42
圖4-11 不同ROE之下的PBR的平均值:全部產業 42
圖4-12 不同ROE之下的PBR的標準差:全部產業 42
圖4-13 不同ROE之下的PBR機率密度函數:全部產業 43
圖4-14 不同ROE之下的PBR累積分佈函數與各分位點的匹配:傳統產業 44
圖4-15 不同ROE之下的PBR的平均值:傳統產業 44
圖4-16 不同ROE之下的PBR的標準差:傳統產業 45
圖4-17 不同ROE之下的PBR機率密度函數:傳統產業 45
圖4-18 不同ROE之下的PBR累積分佈函數與各分位點的匹配:電子產業 46
圖4-19 不同ROE之下的PBR的平均值:電子產業 47
圖4-20 不同ROE之下的PBR的標準差:電子產業 47
圖4-21 不同ROE之下的PBR機率密度函數:電子產業 47
圖4-22 不同ROE之下的PBR累積分佈函數與各分位點的匹配:金融產業 48
圖4-23 不同ROE之下的PBR的平均值:金融產業 49
圖4-24 不同ROE之下的PBR的標準差:金融產業 49
圖4-25 不同ROE之下的PBR機率密度函數:金融產業 49
圖4-26 不同ROE之下的PBR累積分佈函數與各分位點的匹配:建築業 50
圖4-27 不同ROE之下的PBR的平均值:建築業 51
圖4-28 不同ROE之下的PBR的標準差:建築業 51
圖4-29 不同ROE之下的PBR機率密度函數:建築業 51
圖4-30 不同ROE之下的PBR累積分佈函數與各分位點的匹配:營造業 52
圖4-31 不同ROE之下的PBR的平均值:營造業 52
圖4-32 不同ROE之下的PBR的標準差:營造業 52
圖4-33 不同ROE之下的PBR機率密度函數:營造業 52
圖4-35各種評價方法之誤差均方根比較 54
圖4-36收益資產複合基礎法與傳統方法之模型比較:a值 56
圖4-37收益資產複合基礎法與傳統方法之模型比較:b值 57
圖5-1台灣股市(1+ROE)與P/B的數據之分量迴歸神經網路估計曲線: 全部產業 59
圖5-2 台灣股市(1+ROE)與P/B的數據之分量迴歸神經網路估計曲線: 傳統產業 60
圖5-3 台灣股市(1+ROE)與P/B的數據之分量迴歸神經網路估計曲線: 電子產業 61
圖5-4 台灣股市(1+ROE)與P/B的數據之分量迴歸神經網路估計曲線: 金融產業 63
圖5-5 台灣股市(1+ROE)與P/B的數據之分量迴歸神經網路估計曲線: 建設公司 64
圖5-6台灣股市(1+ROE)與P/B的數據之分量迴歸神經網路估計曲線: 營造廠 65
圖5-7台灣股市(1+ROE)與P/B的數據之分量=0.5估計曲線: 各產業 66
圖5-8不同ROE之下的PBR累積分佈函數與各分位點的匹配:全部產業 67
圖5-9不同ROE之下的PBR的平均值:全部產業 68
圖5-10同ROE之下的PBR的標準差:全部產業 68
圖5-11 不同ROE之下的PBR機率密度函數:全部產業 68
圖5-12 不同ROE之下的PBR累積分佈函數與各分位點的匹配:傳統產業 69
圖5-13 不同ROE之下的PBR的平均值:傳統產業 70
圖5-14 不同ROE之下的PBR的標準差:傳統產業 70
圖5-15 不同ROE之下的PBR機率密度函數:傳統產業 70
圖5-16 不同ROE之下的PBR累積分佈函數與各分位點的匹配:電子產業 71
圖5-17 不同ROE之下的PBR的平均值:電子產業 72
圖5-18 不同ROE之下的PBR的標準差:電子產業 72
圖5-19 不同ROE之下的PBR機率密度函數:電子產業 72
圖5-20 不同ROE之下的PBR累積分佈函數與各分位點的匹配:金融產業 73
圖5-21 不同ROE之下的PBR的平均值:金融產業 74
圖5-22 不同ROE之下的PBR的標準差:金融產業 74
圖5-23 不同ROE之下的PBR機率密度函數:金融產業 74
圖5-24 不同ROE之下的PBR累積分佈函數與各分位點的匹配:建築業 75
圖5-25 不同ROE之下的PBR機率密度函數:建築業 76
圖5-26 不同ROE之下的PBR累積分佈函數與各分位點的匹配:營造廠 77
圖5-27 不同ROE之下的PBR機率密度函數:營造廠 77
圖5-28分量神經網路與分量迴歸分析的結果之比較:全部產業 78
圖5-29分量神經網路與分量迴歸分析的結果之比較:傳統產業 78
圖5-30分量神經網路與分量迴歸分析的結果之比較:電子產業 79
圖5-31分量神經網路與分量迴歸分析的結果之比較:金融產業 79
圖5-32分量神經網路與分量迴歸分析的結果之比較:建設公司 79
圖5-33分量神經網路與分量迴歸分析的結果之比較:營造廠 80
表目錄
表4-1 各產業之股東權益報酬率(ROE)與股價淨值比(PBR)基本統計 29
表4-2. 分量迴歸分析結果:全部產業 32
表4-3 分量迴歸分析結果:傳統產業 33
表4-4 分量迴歸分析結果:電子產業 34
表4-5 分量迴歸分析結果:金融產業 36
表4-6 分量迴歸分析結果:建設公司 37
表4-7 分量迴歸分析結果:營造廠 39
表4-8 分量迴歸分析的中位數(分位數=0.5)結果:各產業比較 40
表4-9各種評價方法之誤差均方根比較 53
表4-10各種評價公式之比較:全部 55
表4-11各種評價公式之比較:傳產 55
表4-12各種評價公式之比較:電子 55
表4-13各種評價公式之比較:金融 56
表4-14各種評價公式之比較:營建 56
表4-15收益資產複合基礎法與傳統方法之模型比較 57
表5-1 分量迴歸神經網路結果: 全部產業 58
表5-2 分量迴歸神經網路結果: 傳統產業 60
表5-3 分量迴歸神經網路結果: 電子產業 62
表5-4 分量迴歸神經網路結果: 金融產業 62
表5-5分量迴歸神經網路結果: 建設公司 63
表5-6分量迴歸神經網路結果: 營造廠 64



參考文獻 [1] 周賓凰 (2010),計量經濟學:理論、觀念與應用,智勝。
[2] 洪志洋 (2010),企業評價:原理與實務,新陸書局。
[3] 吳啟銘 (2010),企業評價:個案實證分析,智勝。
[4] 王淑芬 (2006),企業評價,華泰文化。
[5] 葉怡成 (2009),基於基本面因子的指數股票型基金之理論與實證,第二屆白文正ETF金文獎得獎論文集,pp.10-49,寶來投信,台北市。
[6] Yeh, I-Cheng and Hsu, Tzu-Kuang (2012). “Growth Value Two-Factor Model,” Journal of Asset Management, Vol. 11, No. 6, pp. 435-451.
[7] Liu, J. and Ohlson, J. A. (2000). “The Feltham-Ohlson (1995) Model: Empirical Implications,” Journal of Accounting, Auditing & Finance, Vol. 15, No. 3, pp. 321-331
[8] Liu, J., Nissim, D. and Thomas, J. (2002). “Equity Valuation Using Multiples,” Journal of Accounting Research, Vol. 40, No. 1, pp. 135–172.
[9] Ohlson, J. A. (1995). “Earnings, Book Values and Dividends in Equity Valuation” Contemporary Accounting Research, Vol.11, No.2, pp. 661-687.
[10] Ohlson, J. A. (2001). “Earnings, Book Values, and Dividends in Equity Valuation: An Empirical Perspective,” Contemporary Accounting Research, Vol. 18, No. 1, pp. 107–120.
[11] Parienté, F. (2003). “Revisiting Ohlson's Equity Valuation Model,” http://basepub.dauphine.fr/xmlui/handle/123456789/4142
[12] Booth, L. (2007). “Capital Cash Flows, APV and Valuation,” European Financial Management, Vol. 13, No. 1, pp. 29-48.
[13] Fernández, P. (2007). “Valuing companies by cash flow discounting: ten methods and nine theories,” Managerial Finance, Vol. 33 , No. 11, pp. 853-876.
[14] Gilson, S. C., Hotchkiss, E. S. and Ruback, R. S. (2000). “Valuation of Bankrupt firms,” Review of Financial Studies, Vol. 13, No. 1, pp. 43-74.
[15] Park, Y. S. and Lee, J. J. (2003). “An empirical study on the relevance of applying relative valuation models to investment strategies in the Japanese stock market,” Japan and the World Economy ,Vol.15, pp. 331-339.
[16] Adsera, X. and Vinolas, P. (2003). “FEVA: A Financial and Economic Approach to Valuation,” Financial Analysts Journal, Vol. 59, No. 2, pp. 80-87.
[17] Dimson, E., Nagel, S., and Quigley, G. (2003). “Capturing the Value Premium in the United Kingdom 1995-2001,” Financial Analysts Journal, Vol. 59, No. 6, pp. 35-45.
[18] Francis, J., Olsson, P., and Oswald, D. R. (2000). “Comparing the Accuracy and Explainability of Dividend, Free Cash Flow, and Abnormal Earnings Equity Value Estimates,” Journal of Accounting Research, Vol. 38, No. 1, pp. 45-70.
[19] Garza-Gomez, X. (2001). “The Information Content of the Book-to-Market Ratio,” Financial Analysts Journal, Vol. 57, No. 6, pp. 78-95.
[20] Lie, E. and Lie, H. J. (2002). “Multiples Used to Estimate Corporate Value,” Financial Analysts Journal, Vol. 58, No. 2, pp. 44-54.
[21] Timothy, A. L. (1997). “What’s It Worth? A General Manager’s Guide to Valuation,” Harvard Business Review, Vol. 75, No.3, pp.132-142.
[22] Molodovsky, N.(1995). “A theory of price-earnings ratios,” Financial Analysts Journal, Vol.51, No. 1, pp. 29-43.
[23] 李建興(2008),台灣IPO折價因素的探討:分量迴歸分析法,證卷市場發展季刊,第20卷,第1期,第47-100頁。
[24] Koenker, R. and G. W. Basset (1978). “Regression Quantiles,” Econometrica, Vol. 46 No. 1, pp. 211-244.
[25] Koenker, R. and K. F. Hallock (2001). “Quantile regression,” Journal of Economic Perspectives, Vol. 15, No. 4, pp. 143-156.
[26] Liao, W. C., and Wang, X. (2012). “Hedonic house prices and spatial quantile regression,” Journal of Housing Economics, Vol. 21, No. 1, pp. 16-27.
[27] Fattouh, B., Scaramozzino, P., and L. Harris (2005). “Capital structure in South Korea - A quantile regression approach,” Journal of Development Economics, Vol. 76, pp. 231-250.
[28] Melly, B. (2005). “ Decomposition of differences in distribution using quantile regression,” Labour Economics, Vol. 12, pp. 577-590.
[29] Mello, M. and R. Perrelli (2003). “Growth equations: a quantile regression exploration,” The Quarterly Review of Economics and Finance, Vol. 43, pp. 643-667.
[30] Barnes, M. L. and Hughs, A. W. (2002). “A Quantile Regression Analysis of the Cross Section of Stock Market Returns,” Available at SSRN: http://ssrn.com/abstract=458522
[31] Gowlland, C., Xiao, Z., and Zeng, Q. (2009). “Beyond the Central Tendency: Quantile Regression as a Tool in Quantitative Investing,” The Journal of Portfolio Management, Vol. 35, No. 3, pp. 106-119
[32] 陳俊孝 (2008),電子產業股票報酬四因子模型再檢定─分量迴歸之應用,義守大學,管理研究所,碩士論文。
[33] Ohashi, O., Torgo, L., and Ribeiro, R. P. (2010). “Interval Forecast of Water Quality Parameters,” Proceedings of the 2010 conference on ECAI 2010: 19th European Conference on Artificial Intelligence, pp. 283-288.
[34] Sylvain Robert, S., Foresti, L., and Kanevski, M. (2013). “Spatial prediction of monthly wind speeds in complex terrain with adaptive general regression neural networks,” International Journal of Climatology, Vol. 33, No. 7, pp. 1793-1804.
[35] Günaydın, K. and Günaydın, A. (2011). “Tsunami run-up height forecasting by using artificial neural networks,” Civil Engineering and Environmental Systems, Vol. 28, No. 2, pp. 165-181.
[36] Lee, E.W.M. (2011). “An incremental adaptive neural network model for online noisy data regression and its application to compartment fire studies,” Applied Soft Computing, Vol. 11, No. 1, pp. 827-836.
[37] Günaydın, K. and Günaydın, A. (2008). “Peak Ground Acceleration Prediction by Artificial Neural Networks for Northwestern Turkey,” Mathematical Problems in Engineering, http://dx.doi.org/10.1155/2008/919420.
[38] Asefa, T., Wanakule, N., and Adams, A. (2007). “Field-Scale Application of Three Types of Neural Networks to Predict Ground-Water Levels,” Journal of the American Water Resources Association, Vol. 43, No. 5, pp. 1245-1256.
[39] Cannon, A. J. (2011). “Quantile regression neural networks: Implementation in R and application to precipitation downscaling,” Computers & Geosciences, Vol. 37, No. 9, pp. 1277–1284.
[40] Selim, H. (2009). “Determinants of house prices in Turkey: Hedonic regression versus artificial neural network,” Expert Systems with Applications, Vol. 36, No. 2, pp. 2843-2852.
[41] Yeh, I-Cheng, Huang, K. C. and Kuo, Y. H. (2013). “Spatial interpolation using MLP–RBFN hybrid networks,” International Journal of Geographical Information Science, Vol. 27, No. 10, pp. 1884-1901.
[42] Taylor, J. W. (2000). “A Quantile Regression Neural Network Approach to Estimating the Conditional Density of Multiperiod Returns,” Journal of Forecasting, Vol. 19, No.4, pp. 299-311
[43] Ghicas, D.C., Iriotis, N., Papadaki, A., Walker, M. (2000). “Fundamental Analysis and the Valuation of IPOs in the Construction Industry,” International Journal of Accounting, Vol. 35, No. 2, pp. 227–241.
[44] 曾惠斌、荷世平、宋秋緯、蔡榮根、楊宜軒(2009),企業評價模型運用於營建業之研究與實證,中國土木水利工程學刊,第21卷,第3期,第275-284頁。



論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2015-09-01公開。
  • 同意授權瀏覽/列印電子全文服務,於2015-09-01起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2486 或 來信