xlO＞0．5857
∴
X37く2＝00055＼
／
♂■
×26く1．05925
占
X7＞8．86175
三二三二テ．
XlOく0．9734
／
．・∴
X37く2．02165
芸 よX3岩5よ
90／237 〜96／86！ 柑6／68q 398／06 55／520
＼
＼
×10＞0．9734
∴
X49＜亭主．114＼
二二∵
73／183 12／1244 24／324芸讐畠芸3態ぎょ謹賀
749／596、47／266 ノ23仰3、34／77 ′43／218、12／302 2／34 71／149
納所：白田佳子『企業倒産予知モデル』2003，中央経済社：167．
図2 SAF2002モデル指標抽出結果（データマインクによる分析結果）
図2を観察するとデータはまず総資本留保利益率を表すⅩ7による分岐により2群 に分割されている。ここでは，Ⅹ7総資本留保利益率の値が8．86175％より低い場合に
は倒産可能性のある企業群として樹形の左側に，値が8．86175％より高い企業につい ては倒産可能性のない企業群として樹形の右側に分割されている。この分割により樹 形の左枝に振り分けられた企業はざらに総資本税引前当期利益率を表すⅩ10が 0・5857％を下回っているか，上回っているかによって倒産群（左側）と非倒産群（右 側）に分割されている。Ⅹ10総資本税引前当期利益率が0．5857％を上回っていても，棚 卸資産回転期間を表すⅩ37が2．00055月を上回ればほぼ倒産と判別されている。ま た，Ⅹ10総資本税引前当期利益率の分岐によって倒産企業群（左側）に振り分けられ た企業のうち売上高金利負担率を表すⅩ26が1．05925％より高く，売掛金回転期間を 表すⅩ36が2・5604月を上回ったものは倒産と判別されている。ただし，Ⅹ36売掛金回 転期間が2・5604月を下回っている企業でも売上債権対買入債務比率を表すⅩ46が 75．1193％を下回れば倒産と判別されている。
つまり財務面からみた企業倒産の発生は，総資本留保利益が減少するなか，売掛金 回収が滞りかつ在庫の回転が鈍ることが引き金となっていることがわかる。ここで注 目すべき点は，総資本留保利益率が倒産企業と非倒産企業の判別にもっとも有意な指 標として選択されている点である。そこで総資本留保利益の倒産企業と非倒産企業の
平均値を比較してみることとした。結果は表14のとおりであった。
表14 総資本留保利益率の倒産群・非倒産群における平均値
表14でわかるとおり，倒産に至る企業と非倒産企業では総資本留保利益率の値に大 きな違いがある。またこの財務指標の分布を確認すれば図3のとおりとなった。
X7
40 −20 0 20 40 60
lll州■一一一一甘…・】ll……
非倒産群
劇 馴
劃 Ⅲ■一一一一一一一一一・一1−1】
出所：白田佳子『企業倒産予知モデルJ2003，中央経済社：286．
図3 総資本留保利益率の分布
ー184−
このように財務面から倒産企業を分析すると，留保の厚さが企業継続に重要な鍵と なっていることがわかる。またこのことは，表13で示した本研究における定性情報の 分析結果において「留保」「配当」といった言葉が企業継続のキーワードとなっている ことと整合している。留保利益の積み立ては，経済環境や市場動向に左右されるとい うよりは，経営者の意思に左右されやすい。過度な留保の積立に対する買収リスクな どの増加から，近年は自己資本比率よりも留保利益率に注目が集まるようになってい る。しかし，そもそも配当政策や適度な留保利益の確保は，企業経常の根幹をなす要 素であり，本研究における分析によってこのことが再確認されたといえよう。
さらには，図2の結果を観察すると，「棚卸資産回転期間」の悪化が倒産の因子と なっていることがわかる。また「棚卸資産回転期間」の悪化は，「税引前当期利益率」の 低下とともに発生している。売れなくなれば在庫が増えるという図式は当然のようで
あるが，その背景には「売れる商品がない」「市場から求められる商品を開発できてい ない」企業の実態がある。同業者においても成功する企業と破綻する企業に分かれる のは，常に市場ニーズを先取りする目が養われているかによるものと推察される。こ のことは，表13において「留保」「配当」というキーワードに続き，「ニーズ」「品質」
といった言葉が倒産企業と非倒産企業とにおける出現頻度に顕著な差がみられること と合致するものである。多くの継続企業が市場ニーズや製品の品質に着目しているの に対し，倒産企業ではこのような事項に触れている企業が大変少ない。
ここでの分析結果を総合的に判断すれば，企業の財務傾向は顕著に有価証券報告書 の文章に現れており，その内容は財務傾向と合致するものであると結論づけられる。
企業継続の鍵となる要素は適切な「配当政策」に立脚した「留保利益」の確保であり，
市場「ニーズ」をとらえた「研究開発」を行い棚卸資産回転期間を短縮することであ る。これらを維持できた企業は，安定した継続が可能となることが明らかとなった。
6．おわりに 一今後の課題一
本研究では，定性情報の解析という会計の分野では斬新ともいえるアプローチを採る ことにより，これまで有用性が検証されることのなかった非財務情報の役割と意義につ いて検証した。その結果，継続企業の公表する非財務情報には固有の傾向があり，継続 企業において出現頻度の高いキーワードは，良好な財務傾向を反映したものであること が明らかとなった。言い換えれば財務数値を見ることなく，非財務情報から当該企業の 継続可能性を評価する内容を汲み取ることも可能であることが検証された。
ただし，今回おこなったテキストマイニングの手法はいずれもプリミティブなものば かりである。たとえばテキストに対する自然言語処理は，形態素解析による単語の切り 出しと，文章中の出現頻度を利用した重要度の指標のみであり，構文解析や意味解析ま で掘り下げることまではしなかった。これは現時点で十分に実用化されたツールが存在 しないことが主たる理由であるが，たとえば「助長」といった語のように，その言葉そ
のものが重要な内容を示唆する（良い面ではなく悪い面が促進されるといったような意 味合いを含んでいる）ものが文章中に含まれていたとしても，意味解析をしていない以 上は，単に出現頻度をカウントするといった方法で重要度を類推するしかすべがないの が現状である0よって，隠れた情報を有価証券報告書から抽出し，破綻に至る企業の兆 候を早い段階で捉える構文解析モデルを開発するといったレベルにまでは至らなかった。
しかしながら構文解析まではいかなくとも，ある程度単語間の係り受けを代替的に捉 えるような方法がないかと言えばそうではない。たとえばバスケット分析をテキストマ イニングに応用し・倒産企業においては，どのような単語とどのような単語が同時に出 現する頻度が高いのかといったことで，ある程度の係り受けを把握することができる可 能性がある0また判別に大きな影響を与えるキーワードを集めた辞書にある単語の出現 ベクトル（0・1の2値をとる単語数分の次元をもつベクトル）を企業ごとに解析できれば，
数量化3類によるコレスポンデンス分析をおこなうことが可能となる。よって今抑汁 分とはいえなかった倒産・継続を判別する為の重要なキーワードのみを集めた辞書を事 前に整備し，さらにデータ量を増やしていくつかの代替的手法でさらに深い解析を行っ てみたいと考えている。
注
1亀井利明，1997『危機管理とリスクマネジメントJl・司文銘：99−112．
2 わが国の企業倒産の兆候を財務数値から明らかにした研究では，倒産出前に特異傾向を見せる財務 指標が明らかになっている0白田佳子F企業倒産予知モデル』中央経済社，2003を参照のこと。
3 Altman，E・・Marco・G・andVaretto，Fl1994・Corporatedistressdiagnosis：Comparisons usinglinear discriminantanalysis and neuralnetwork，JournalofBankingand Finance
㈹：509−529．
4 旧第一勧銀（現みずほフィナンシャルグループ）や大和澄券，日興讃券など。
5 Tam，K・Y＆M・Klang・1990・Predicting Bank Failures＝ ANeuralNetwork Approach．
AppliedArtificialIntelligence4（4）：265−282．
6 恥m，KYandM・YKiang・1992・ManagerialApplicationsofNeuralNetworks＝ The Case OfBank Failure Predictions，ManagementScienee38（7）：926−946．
7 Charalambous C・・E・Liatsos・1996・The Usefulness of Cash Flowin The Prediction of
BankruptCy：An EmpiricalInvestigation Using Arti丘cial Neural Networks，The
Proceedingsof19thAnnualCongressoftheEuropeanAccountingAssociation．
8 P・Bartlett andJ・Shawe−Taylor・1999・Generalization perfbrmance of support vector machinesand other pattern classiners・Advancesin KernelMethods H Support Vector Learning・Cambridge，MA，．MIT Press：43−54．，R．P Bennett andJ．A，Blue．1997．A SuppOrt VeCtOr maChine approach to decision trees・Proceedings ofIJCNN・98：2396−2401．
など。
9 BernhardScholkopfandAlexSmola・2002■Learningwith＝Kernels・MITPress，Cambridge
MA：1−21＆126−12臥
10 SVMはもともとLinearSupportVectorMachines（LSVM）と呼ばれ開発当初は2クラスが線形で 分類可能な場合に有用な手法として注目された。その後Kernel関数を用いて非線形問題にも過川で
きるように改良され現在Kernels SupportVectorMachinesとして広く利用されている。
−186−
11山口貴大．2001「サポートベクターマシンによる倒産予測」平成13年度日本オペレーションズ・リサー チ学会関西支部研究会第1回発表要旨：1−21．
12 ROUGHCI．ASS version 2．0・Rule Classiner Based on Valued Closeness Relation（Mienko et al，1995）を採用。
13 MacXee，T．E．2000．Developing a BankruptCy Prediction Model via Rough Set Theory，
IntelligentSystemsinAccounting，Finance andManagement（September）＝159−173・
14 企業評価のエキスパートシステムの構築を試みた研究として，岡本大輔1996「エキスパート・シス テムの企業評価への適用」『企業評価の視点と手法』中央経済社：46−99があげられる。しかし，企 業評価の過程における知識デークーベースの構築はガイドラインがなくシステムそのものの構築は 可能だが実用可能なレベルのものを構築できるかどうかは疑問が残される。矧こ岡本の研究におい ても，財務指標の良否の判断に業界平均値が使われるなど，個別企業の状況を勘案しえていない点
に限界が見える。
15 Hopwood W，J．Mackeown＆J．Mutcher，1989．A Tbst of theIncremental Explanatory
Power of Opinions Qualified for Consistency and Uncertaintyこ The Accounting Review
LXIV（1）：28−48．
16 McKee TE．1986．Why canlt accountants deal With uncertainty about enterprise
continuity？．ManagementAccounting（7）＝24−29・
17 遺伝的アルゴリズムはダーウィンの「生存説（Surv1Valofthe fittest）」に由来し．Hollandが最初 に提唱したとされている。複数の解を，遺伝的に変化させながら，より良い解を求めていくといっ た方式。HollandJ．H．，1975．Adaptationin Natural and Artificial Systems．The University of Michigan Press．Ann Anbor，MI．や Fu，ZL1999・Dimensionality Optimization by HeurlStic Greedy Leaming vs．Genetic Algorithmsin Knowledge Discovery and Data Mining，IntelligentDataAnalysis（3）：211−225・を参考にすると良い。
18 Varetto，F，1998．Genetic Algorithms Applicationsin the Analysis ofInsoIvency Risk，
JournalofBanking and Finance00：142ト1439
19 Altman，E．，Marco，G．and Varetto，Fr1994．Corporate distress diagnosis：Comparisons usinglinear discriminant analysIS and neural network，Journalof Banking and Finance q現：509−529．
20 Marks S．，and Dunn，0．J．1974．Discriminant functions when covariance matrices are unequal・JournalofAmerlCanStatisticalAssociation69：555−559・
21那須川ほか，2001
22 Fayyad，U．M．，et al，（edS■），1996■AdvancesinKnowledge Discovery and Data Mining，
AAAI朋IT Press
23Jumanは京都大学言語メディア研究室で開発された形態素解析ツールで，ChaSenの元になったシ ステムである。現在はhttp‥／／www．kc．t．u・tOkyo．ac．jp／nl−reSOurCe月uman．htmlより入手できる。
24 ChaSenは「茶笠」と苦いたりもする。奈良先端科学技術大学院大学情報科学研究科自然言語処理字 講座（松本研究室）で開発されたツールで，http：／／chasen．naist．jprhiki／ChaSenJより入手できる。な お，ChaSenの詳細については「日本語形態素解析システム『茶笠J VerSionZ・2・1使用説明書」
（http＝〟chasen．aiSt・nara．aC．jp／chasen／doc／chasen・2・2・11・Pdf）を参照されたいo
25 構文解析の詳細については．徳田雄洋（1995）F言語と構文解析J共立出版，等を参照されたい。
26 那須川ほか，2001。
27 ここでの数値例は，ホロン杜のベクトル空間法を用いた文書解析システムHiBASEの説明資料
（http：／／www．hln．co．jpnlibaseIVSA．pdf）に基づいて作成したものであるC
28 これと同様に白田（2002）のSAF2002億では，変数の選択，係数の設定，閲値の設定に人工知能の 技法を駆使しており，更に今回の試みとの類似性がある。しかしながら，財務数値ではなくテキス
トを用いているため，処理は格段に難しくなっている。