臺灣博碩士論文加值系統

財務危機預測長久以來一直是信用風險管理領域之重要議題，眾多學者已投入相關之研究，並已有相當豐碩之成果。然而，至於何者是最佳之風險評估模型，又哪些變數為最為重要之攸關因素，則尚無定論。
晚近資料探勘技術已演進成為建構預警模型的常用方法。本研究之目的為二：首先，探討導致企業危機之最關鍵因素；其次，檢視採用基因演算法結合支援向量機之預警模型是否增加預測企業發生危機之準確性。全文以2004年至2008年為觀察期，採用在台灣證券交易所上市之114家危機公司及228家正常公司作為配對公司，合計342家樣本公司進行實證分析。
實證結果顯示，基因演算法結合支援向量機之預警模型的預測能力明顯優於目前實務上廣為應用的倒傳遞類神經網路模型。此外，本研究清楚地將財務危機發生前一季至前八季的重要影響變數分別列出，可提供金融機構及其主管機關作為審視企業穩健與否的重要參考依據。

Prediction of firm failure is a critical issue in the credit risk management literature. Numerous researchers have put endeavors into this area and have been generated fruitful results in the past decades. However, the decision regarding the most appropriate model and the most critical variables should be included in the model are still inconclusive.
Recently, data mining techniques have evolved as a preferred approach for early warning models. The objective of this study is two-folds: first, to investigate the most influential factors which lead to financial crisis; second, to examine whether an alternative early earning model utilizing Genetic Algorithm (GA) incorporation with Support Vector Machine (SVM) improve the performance of predicting firm failure. The empirical implementation using 114 hazard firms and 228 match firms listed in TSE from 2004 to 2008.
The empirical results show that the performance of the alternative early earning model outperforms the widely used back-propagation neural network (BPN) model in terms of firm failure prediction. In addition, this study clearly lists the most influential factors which lead to financial crisis in the period of one quarter to eight quarters prior to the financial crisis, and it provides financial institutions and regulators as important information on the health of firms.

目錄 I
圖目錄 III
表目錄 IV

第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 2
第三節 研究架構 3
第二章 文獻回顧 5
第一節 企業財務危機定義 5
第二節 財務危機預警模型 8
第三節 文獻評述 13
第三章 研究設計 14
第一節 研究流程 14
第二節 樣本選取 15
第三節 變數選取 20
第四節 研究方法 24
第五節 交叉驗證法 44
第四章 實證結果與分析 45
第一節 樣本敘述性統計與差異性檢定 45
第二節 變數篩選之結果與分析 48
第三節 預警模型預測能力之比較 52
第五章 結論與建議 57
第一節 結論 57
第二節 建議 58
參考文獻 59
一、中文部分 59
二、英文部分 60


圖目錄
圖1.1 研究架構圖 4
圖3.1 研究流程圖 15
圖3.2 基因演算法之處理流程圖 25
圖3.3 基因編碼 26
圖3.4 單點交配 27
圖3.5 兩點交配 28
圖3.6 基因突變 28
圖3.7 類神經網路處理單元之基本運作 29
圖3.8 倒傳遞類神經網路之運作架構 30
圖3.10 最佳區分超平面 38
圖3.11 最大邊界圖 39
圖3.12 線性不可分支援向量機分類示意圖 42
圖3.13 原始資料透過Φ轉換到特徵空間中 43
圖4.1 BPN模型與GA-SVM模型按季區分之預測準確率 56

表目錄
表2.1 國外財務危機定義彙總表 6
表2.2 國外財務危機定義彙總表(續) 7
表2.3 國內財務危機定義彙總表 7
表3.1 台灣經濟新報之財務危機定義 16
表3.2 研究樣本總表 17
表3.3 研究樣本總表(續) 18
表3.4 研究樣本總表(續) 19
表3.5 財務比率變數 20
表3.6 財務比率變數(續) 21
表3.7 財務比率變數(續) 22
表3.8 公司治理變數 23
表4.1 財務危機發生前一季之樣本敘述性統計與差異性檢定 45
表4.2 財務危機發生前一季之樣本敘述性統計與差異性檢定(續) 46
表4.3 財務危機發生前一季之樣本敘述性統計與差異性檢定(續) 47
表4.4 財務危機發生前一季之變數篩選結果 48
表4.5 財務危機發生前二季之變數篩選結果 48
表4.6 財務危機發生前三季之變數篩選結果 49
表4.7 財務危機發生前四季之變數篩選結果 49
表4.8 財務危機發生前五季之變數篩選結果 49
表4.9 財務危機發生前六季之變數篩選結果 50
表4.10 財務危機發生前七季之變數篩選結果 50
表4.11 財務危機發生前八季之變數篩選結果 51
表4.12 BPN模型與GA-SVM模型於財務危機發生前一季之預測能力 53
表4.13 BPN模型與GA-SVM模型於財務危機發生前二季之預測能力 53
表4.14 BPN模型與GA-SVM模型於財務危機發生前三季之預測能力 53
表4.15 BPN模型與GA-SVM模型於財務危機發生前四季之預測能力 54
表4.16 BPN模型與GA-SVM模型於財務危機發生前五季之預測能力 54
表4.17 BPN模型與GA-SVM模型於財務危機發生前六季之預測能力 55
表4.18 BPN模型與GA-SVM模型於財務危機發生前七季之預測能力 55
表4.19 BPN模型與GA-SVM模型於財務危機發生前八季之預測能力 55

一、中文部分

王進德與蕭大全 (2002)，「類神經網路與模糊控制理論入門」，全華科技圖書股份有限公司，台北。

官旻慧 (2005)，「以財務比率衡量公司信用風險」，世新大學財務金融研究所碩士論文。

林豐澤 (2005)，「演化式計算下篇：基因演算法以及三種應用實例」，智慧科技與應用統計學報，第三卷第一期，29-56頁。

林宗勳 (2006)，「Support Vector Machine簡介」，台灣大學通訊與多媒體實驗室。

徐瑋佑 (2007)，「互聯電力系統中自動發電控制最佳化之研究」，中原大學機械工程學系碩士論文。

陳肇榮 (1983)，「運用財務比率預測企業財務危機之實證研究」，國立政治大學企業管理研究所博士論文。

黃博怡、張大成與江欣怡 (2006)，「考慮總體經濟因素之企業危機預警模式」，企業風險管理季刊，第二卷第二期，75-89頁。

黃小玉 (1988)，「運用財務比率預測企業財務危機之實證研究」，私立淡江大學管理科學研究所碩士論文。

黃振豐與呂紹強 (2000)，「企業財務危機預警模式之研究─以財務及非財務因素建構」，當代會計期刊，第一卷第一期，19-40頁。

黃承龍、陳穆臻與王界人 (2004)，「支援向量機於信用評等之應用」，計量管理期刊，第一卷第二期，155-172頁。

葉怡成 (2009)，「類神經網路模式應用與實作」，儒林圖書有限公司，台北。

楊啟洲 (2004)，「以倒傳遞類神經網路作為授信風險預測之研究」，中華大學科技管理碩士論文。

雷祖強、周天穎、萬絢、楊龍士與許晉嘉 (2007)，「空間特徵分類器支援向量機之研究」，航測及遙測學刊，第十二卷，第二期，145-163頁。

潘玉葉 (1990)，「台灣股票上市公司財務危機預警分析」，淡江大學管理科學研究所博士論文。

鄧志豪 (2000)，「以分類樣本偵測地雷股－新財務危機預警模型」，國立政治大學金融研究所碩士論文。

賴世芳 (2006)，「基層農會信用部金融預警系統使用倒傳遞類神經網路」，中華大學科技管理研究所碩士論文。


二、英文部分

Altman, E. I. (1968), “Financial Ratios, Discriminant Analysis, and the Prediction of Corporate Bankruptcy,” Journal of Finance, Vol. 23, No. 4, pp. 589-609.

Atiya, A. F. (2001), “Bankruptcy Prediction for Credit Risk Using Neural Networks: A Survey and New Results,” IEEE Transactions on Neural Networks, Vol. 12, No. 4, pp. 929-935.

Beaver, W. H. (1966), “Financial Ratios as Predictors of Failure,” Journal of Accounting Research (Supplement), Vol. 4, No. 3, pp. 71-111.

Blum, M. (1974), “Failing Company Discriminant Analysis,” Journal of Accounting Research, Vol. 12, No. 1, pp. 1-25.

Coats, P. K. and L. F. Fant (1993), “Recognizing financial distress patterns using a neural network tool,” Financial Management, Vol. 22, No. 3, pp. 307-327.

Deakin, E. B. (1972), “A Discriminiant Analysis of Predictors of Business Failure,” Journal of Accounting Research, Vol. 10, No. 1, pp. 167-179.

Fletcher, D and E. Goss (1993), “Forecasting with neural network: An
application using bankruptcy data,” Information and Management, Vol. 24, No. 3, pp. 159-167.

Goldberg, D. E. (1989), Genetic algorithms in search, optimization and machine learning, Reading, MA: Addison Wesley.

Gunn, S. R. (1998), Support Vector machines for classification and regression, Technical Report, University of Southampton.

Holland, J. H. (1975), Adaptation in natural and artificial systems, Ann Arbor, MI: The University of Michigan Press.

Hopwood, W., J. C. Mckeown and J. F. Mutchler (1994), “A Reexamination of Auditor versus Model Accuracy within the Context of the Going-concern Opinion Decision,” Contemporary Accounting Research, Vol. 10, No. 2, pp. 409-431.

Koh, H. C. and S. S. Tan (1999), “A neural network approach to the prediction of going concern status,” Accounting and Business Research, Vol.29, No. 3, pp. 211-216.

Laitinen, E. K. (1991), “Financial Ratios and Different Failure Process,” Journal of Business Finance and Accounting, Vol. 18, pp. 613-630.

Lau, H. L. (1987), “A Five-State Financial Distress Prediction Model,” Journal of Accounting Research, Vol. 25, No. 1, pp. 127-138.

Martin. D (1977), “Early Warning of Bank Failure,” The Journal of Banking and Finance, Vol. 1, No. 3, pp.249-276.

Min, J. H. and Y. C. Lee (2005), “Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters,” Expert Systems with Applications, Vol. 28, pp. 603-614.

Min, S. H., J. Lee and I. Han (2006), “Hybrid genetic algorithms and support vector machines for bankruptcy prediction,” Expert Systems with Applications, Vol. 31, pp. 652-660.

Odom, M. D. and R. Sharda (1990), “A Neural Network Model for Bankruptcy Prediction,” Proceedings of the IEEE International Conference on Neural Networks, Vol. 2, pp. 163-168.

Ohlson. J. A. (1980), “Financial Ratio And Probabilistic Prediction of Bankruptcy,” Journal of Accounting Research, Vol. 18, No. 1, pp. 109-131.

Psillaki, M, I. E. Tsolas and D. Margaritis (2010), “Evaluation of credit risk based on firm performance,” European Journal of Operational Research, Vol. 201, pp. 873-881.

Rezaee, Z. (2005), “Causes, Consequence, and Deterrence of Financial Statement Fraud.” Critical Perspective on Accounting, Vol. 16, No. 3, pp. 277-298.

Salchenberger, L. M., E. M. Cinar and N. A. Lash (1992), “Neural Networks: A New Tool for Predicting Thrift Failures,” Decision Sciences, Vol. 23, No. 4, pp. 899-916.

Shin, K. S. and Y. J. Lee (2002), “A Genetic Algorithm Application in Bankruptcy Prediction Modeling,” Expert Systems with Applications, Vol. 23, No. 3, pp. 321-328.

Shin, K. S., T. S. Lee and H. Kim (2005), “An application of support vector machines in bankruptcy prediction model,” Expert Systems with Applications, Vol. 28, pp. 127-135.

Shumway, T. (2001), “Forecasting Bankruptcy More Accurately: A Simple Hazard Model,” Journal of Business, Vol. 74, No. 1, pp.101-124.

Smith, R. F. and A. H. Winkor (1930), “A Test Analysis of Unsuccessful Industrial Companies,” University of Illinois, Bureau of Business Research, Vol. 31.

Smith, R. F. and A. H. Winkor (1935), “Change in financial Structure of Unsuccessful Industrial Corporations,” University of Illinois, Bureau of Business Research, Vol. 51, pp.20-31.

Vapnik, V. N. (1995), The Nature of Statistical Learning Theory, Springer, NY, USA.

Wasserman, P. D. (1989), Neural Computing: Theory and Practice, Van
Nostrand Reinhold, NY: The Free Press.

Wruck, K. H. (1990), “Financial Distress, Reorganization, and Organizational Efficiency,” Journal of Financial Economics, Vol. 27, No. 2, pp. 419-444.

Wu, C. H., G. H. Tzeng, Y. J. Goo and W. C. Fang (2007), “A real-valued genetic algorithm to optimize the parameters of support vector machine for predicting bankruptcy,” Expert Systems with Applications, Vol. 32, No. 2, pp. 397-408.

Youn, H. and Z. Gu (2010), “Predicting Korean lodging firm failures: An artificial neural network model along with a logistic regression model,” International Journal of Hospitality Management, Vol. 29, pp. 120-127.

Zmijewski, M. E. (1984), “Methodological Issues Related to the Estimation of Financial Distress Prediction Models,” Supplement to Journal of Accounting Research, Vol.22, pp. 59-82.