臺灣博碩士論文加值系統

企業財務狀況一直以來是社會大眾所關注的課題，而企業財務危機更是攸關企業生存與否最重要的關鍵點，因此若能及早預測出企業財務危機將能減少對企業甚至社會大眾的損失，故企業財務危機預警模式逐漸發展起來。從文獻研究中可以知道有相當多的財務危機預警系統，經由研究發現資料探勘所建構的模型優於傳統統計模型，其中過去廣受歡迎且用的較好的即是決策樹與類神經網路模型，而近年來興起的支援向量機也用於財務危機模型的建構，成效上具有不錯的表現，另外文獻研究也皆著重於混合所有產業別進行模式的建構，少有針對個別特定產業建構模式。基於以上問題，本研究主要以電子產業與傳統產業為研究樣本，運用決策樹、類神經網路及支援向量機方法個別建構電子產業與傳統產業預警模型，然而，類神經網路在學習上的收斂表現，常會受到是否有適當的輸入變數所影響，故本研究也採用了過去學者所曾使用的輸入變數篩選方法，即因素分析法、逐步迴歸分析法及敏感度分析法，再結合類神經網路建構模型。本研究欲透過所建構的不同模型，藉以瞭解電子產業與傳統產業在破產預測的差異。實驗結果顯示：
1.電子產業及傳統產業皆適合運用敏感度分析結合類神經網路模式，在電子產業於危機前一年可達82.5%的準確率，傳統產業於危機前一年更可以達到96.08%。
2.與過去學者針對傳統產業建構的預警模式相比，本研究以敏感度分析結合類神經網路建構的模式能優於過去學者的研究，並觀察發現加入非財務比率變數對預測效果具有重要影響，另針對電子產業建構的預警模式相比，準確率也有在平均水準以上。
3.本研究發現支援向量機並非是最好的，而且支援向量機的預測準確率掌控於參數的決定，也不容易找到最佳參數，然而對於敏感度分析結合類神經網路卻沒有這方面的問題。
4.透過敏感度分析篩選變數後，可發現電子產業最具影響的指標是「營業外收入」、「營業費用率」與「存貨週轉率」，傳統產業最具影響的指標則是「負債比率」、「總資產成長率」與「董監事質押比率」，由此可知，電子產業受到了獲利能力、成本費用與經營能力構面之影響，傳統產業則受到了償債能力、成長率與公司治理構面之影響。

Enterprise's financial situation has not only been considered as a critical issue to the enterprise and the public, but it also is an key point that affect the survival of each enterprise. Early and correct bankruptcy prediction could effectively reduce the lost of the enterprises and the correspondent investors, therefore the early-warning mode of the enterprise finance crisis was developed gradually. According to the literature review, it was known that there were plenty of the early-warning systems of enterprise finance crisis, but it prospect the model built and constructed and surpasses the traditional statistics model via the data mining, decision tree and neural network models were also well applied in the past among them, support vector machine which has good behavior on the effect rise in recent years and was used to build and construct the financial crisis model, literature review only emphasized the combination of different industries and tailor make the crisis model for them instead of individual and specific development to single industry. On behalf of the above complex and practical commercial challenges, this research aims to build and construct the electronic and traditional industries’ early-warning model individually with application of decision tree, neural network and support vector machine method to develop a prediction model suitable for electronic and traditional industries. This research also adopts the methods of importation variable of the adequacy to avoid possible effects of neural network which could reframe by improper variables, these methods includes the factor analysis, stepwise regression analysis and sensitive analysis together with a type neural network to build the model of constructing. This research wants to use to understand that bankruptcy prediction comparison between the electronic and traditional industries through different models constructed built. The results of the experiments are:
1. Sensitive analysis plus neural network are suitable for electronic and traditional industries. The accuracy rate is up to 82.5% for electronic industries to predict their financial crisis in the year before it happen, and it is up to 96.08% for the traditional industries.
2. Compare to the traditional industry’s early-warning model, this research which applied the methods of sensitive analysis plus neural network is better. It also shows that non- financial rate has important influence according to the final results. Moreover, compared to the electronic industry’s early-warning model, the accuracy rate is above the average level as well.
3. The research discover that the support vector machine is not the best choice. In addition, the accuracy rate of the support vector machine is controlled by the decision of the parameter, but it’s hard to find the best parameter. However, there are no problems in this respect to the sensitive analysis combine neural network.
4. Through the variable sieving of sensitive analysis, this research discovered that the electronic industry's most influential indexes are ‘non-operating revenue’ , ‘operating expenses rate’ and ‘inventory turnover’, and the traditional industry's most influential indexes are ‘liabilities ratio’ , ‘total assets growth rate’ and ‘supervisory board hypothecation rate’. Furthermore, it showed that the electronic industry has influenced by profitability, cost expenses, and management capacity, and the traditional industry has influenced by the debt paying capacity, growth rate, and corporate goverance.

目 錄
摘要………………………………………………………………………………...-Ⅰ-
Abstract……………………………………………………………………………..-Ⅲ-
誌謝辭……………………………………………………………………………...-Ⅴ-
第1章 緒論 - 1 -
1.1 研究背景與動機 - 1 -
1.2 研究目的 - 3 -
1.3 資料來源與研究限制 - 4 -
1.4研究流程 - 5 -
第2章 文獻探討 - 6 -
2.1財務危機的定義 - 6 -
2.2財務危機預警模式之比較 - 8 -
2.3決策樹 - 21 -
2.4類神經網路 - 25 -
2.5支援向量機 - 28 -
2.6各式變數篩選方法 - 32 -
2.6.1因素分析法 - 32 -
2.6.2逐步迴歸分析法 - 33 -
2.6.3敏感度分析法 - 33 -
第3章 研究方法與設計 - 35 -
3.1研究架構 - 35 -
3.2研究樣本、研究期間及資料來源 - 36 -
3.3 本研究指標變數 - 39 -
3.4研究設計 - 42 -
第4章 實驗結果與分析 - 44 -
4.1電子產業為樣本之預警模式 - 44 -
4.1.1A式預警模式 - 44 -
4.1.2B式預警模式 - 46 -
4.1.3C式預警模式 - 47 -
4.1.4D式預警模式 - 50 -
4.1.5E式預警模式 - 59 -
4.1.6F式預警模式 - 69 -
4.1.7實驗結果分析 - 82 -
4.2傳統產業為樣本之預警模式 - 84 -
4.2.1G式預警模式 - 84 -
4.2.2H式預警模式 - 86 -
4.2.3I式預警模式 - 88 -
4.2.4J式預警模式 - 90 -
4.2.5K式預警模式 - 99 -
4.2.6L式預警模式 - 108 -
4.2.7實驗結果分析 - 123 -
4.3兩產業差異之比較 - 126 -
第5章 結論與建議 - 129 -
參考文獻 - 131 -


表 目 錄
表 2-1、財務危機預警模式文獻回顧整理………………………………………- 15 -
表 2-2、決策樹演算法之比較……………………………………………………- 23 -
表 3-1、電子產業財務危機與正常公司對照表…………………………………- 36 -
表 3-2、傳統產業財務危機與正常公司之產業及名稱對照表…………………- 37 -
表 3-3、財務變數列表……………………………………………………………- 39 -
表 3-4、非財務變數列表…………………………………………………………- 41 -
表 4-1、A式預警模式的準確率……………….……………………………..…- 46 -
表 4-2、三個不同預測年度所用之輸入變數………………………..…………..- 46 -
表 4-3、B式預警模式的準確率……………………………………………...…- 47 -
表 4-4、三個不同預測年度所用之輸入變數……………………………………- 48 -
表 4-5、C式預警模式的準確率……………………………………………….. - 50 -
表 4-6、主成分分析法萃取之共同因素(危機前一年)…………………………- 50 -
表 4-7、因素分析萃取變數(危機前一年)………………………………………- 51 -
表 4-8、主成分分析法萃取之共同因素(危機前二年)………………………....- 52 -
表 4-9、因素分析萃取變數(危機前二年)………………………………………- 52 -
表 4-10、主成分分析法萃取之共同因素(危機前三年)……….………………. - 53 -
表 4-11、因素分析萃取變數(危機前三年)…………………………………….. - 54 -
表 4-12、因素分析法所篩選指標………………………………………….……- 56 -
表 4-13、D式預警模式的準確率……………………………………………… - 58 -
表 4-14、交集的預測指標(因素分析法)………………………………………. - 59 -
表 4-15、逐步迴歸分析中被選入的變數(危機前一年)…………………...….. - 59 -
表 4-16、逐步迴歸分析之模式摘要(危機前一年)………………….……….....- 61 -
表 4-17、逐步迴歸分析中被選入的變數(危機前二年)………………………. - 63 -
表 4-18、逐步迴歸分析之模式摘要(危機前二年)……………………………..- 64 -
表 4-19、逐步迴歸分析中被選入的變數(危機前三年)……………………..... - 65 -
表 4-20、逐步迴歸分析之模式摘要(危機前三年)……………………………. - 66 -
表 4-21、逐步迴歸分析法所篩選指標…………………………………………- 66 -
表 4-22、E式預警模式的準確率…………………………………………….... - 68 -
表 4-23、所有的輸入指標之敏感度……………………………………………- 69 -
表 4-24、F式預警模式的準確率…………………………………………...…. - 82 -
表 4-25、交集的預測指標(敏感度分析法)……………………………………. - 82 -
表 4-26、A,B,C,D,E,F六種預警模式的準確率表現………………………….. - 82 -
表 4-27、敏感度分析法篩選變數後交集的預測指標(電子產業)……………. - 83 -
表 4-28、本研究與過去文獻之比較(電子產業)………………………………. - 84 -
表 4-29、G式預警模式的準確率……………………………………………….- 86 -
表 4-30、三個不同預測年度所用之輸入變數…………………………………- 87 -
表 4-31、H式預警模式的準確率……………………………………………….- 88 -
表 4-32、三個不同預測年度所用之輸入變數…………………………………- 88 -
表 4-33、I式預警模式的準確率…………………………………………...….. - 90 -
表 4-34、主成分分析法萃取之共同因素(危機前一年)………………………. - 90 -
表 4-35、因素分析萃取變數(危機前一年)……………………………………. - 91 -
表 4-36、主成分分析法萃取之共同因素(危機前二年)………………………. - 92 -
表 4-37、因素分析萃取變數(危機前二年)…………………………………..... - 93 -
表 4-38、主成分分析法萃取之共同因素(危機前三年)………………………. - 94 -
表 4-39、因素分析萃取變數(危機前三年)……………………………………. - 95 -
表 4-40、因素分析法所篩選指標………………………………………………- 96 -
表 4-41、J式預警模式的準確率………………………………………………. - 98 -
表 4-42、交集的預測指標(因素分析法)………………………………………. - 99 -
表 4-43、逐步迴歸分析中被選入的變數(危機前一年)………………………. - 99 -
表 4-44、逐步迴歸分析之模式摘要(危機前一年)…………………………… - 100 -
表 4-45、逐步迴歸分析中被選入的變數(危機前二年)……………………… - 101 -
表 4-46、逐步迴歸分析之模式摘要(危機前二年)……………………………- 102 -
表 4-47、逐步迴歸分析中被選入的變數(危機前三年)……………………....- 103 -
表 4-48、逐步迴歸分析之模式摘要(危機前三年)………………………..…. - 105 -
表 4-49、逐步迴歸分析法所篩選指標………………………………………. - 106 -
表 4-50、K式預警模式的準確率……………………………………………..- 108 -
表 4-51、所有的輸入指標之敏感度…………………………………………..- 108 -
表 4-52、L式預警模式的準確率…………………………………………….. - 123 -
表 4-53、交集的預測指標(敏感度分析法)……………………………………- 123 -
表 4-54、G,H,I,J,K,L六種預警模式的準確率表現……………………………- 124 -
表 4-55、敏感度分析法篩選變數後交集的預測指標(傳統產業)……………- 125 -
表 4-56、本研究與過去文獻之比較(傳統產業)………………………………- 125 -
表 4-57、電子產業及傳統產業各預警模式的準確率表現………………….. - 126 -
表 4-58、敏感度篩選變數後交集的預測指標(電子產業及傳統產業比較)…- 127 -


圖 目 錄
圖 1-1、研究流程圖………………………………………………………………- 5 -
圖 2-1、決策樹分類圖…………………………………………………………..- 22 -
圖 2-2、類神經網路圖…………………………………………………………..- 25 -
圖 2-3、支援向量機概念圖……………………………………………………..- 28 -
圖 2-4、支援向量機用於線性不可分割之釋例………………………………..- 30 -
圖 2-5、非線性的轉換…………………………………………………………..- 31 -
圖 3-1、研究架構圖……………………………………………………………..- 35 -
圖 3-2、研究設計………………………………………………………………..- 43 -
圖 4-1、A,B,C,D,E,F六種預警模式的三個年度平均準確率表現…………….- 83 -
圖 4-2、G,H,I,J,K,L六種預警模式的三個年度平均準確率表現…….………- 124 -
圖 4-3、電子產業及傳統產業各預警模式平均準確率表現…………………- 127 -

參考文獻

[中文部分]
1.王美慧，「運用類神經網路於證券業網路下單服務品質之研究」，顧客滿意學刊，第一卷第一期，頁1~頁30，2005。
2.池千駒，「運用財務性及非財務性資訊建立我國上市公司財務預警模式」，國立成功大學會計學研究所碩士論文，1999。
3.何太山，「運用區別分析建立商業放款信用評分制度」，政治大學管理研究所碩士論文，1977。
4.邱志洲、簡德年，「整合類神經網路與分類迴歸樹在建構企業危機診斷模式上之應用」，中華管理評論，第五卷第四期，頁54~頁82，2002。
5.李羿儒，「財務危機預警模式之再探討-運用支撐向量機及logit模式」，國立高雄第一科技大學財務管理所碩士論文，2004。
6.杜　壯、郭人介、吳永宏，「類神經網路於服務品質衡量模式之構建－以電信業為例」，台北科技大學學報，第35-2期，頁147~頁160，2002。
7.林文修，「演化式類神經網路為基底的企業危機診斷模型：智慧資本之應用」，國立中央大學資訊管理研究所博士論文，2000。
8.林宓穎，「上市公司財務危機預警模式之研究」，政治大學財政研究所碩士論文，2001。
9.徐美珍，「企業財務危機之預測」，國立政治大學統計研究所碩士論文，2004。
10.張百棧、王彥文、楊雯寧，「混合式預測模式之發展─預測台灣股價指數之波動」，工業工程學刊，第二十一卷第四期，頁358~頁368，2004。
11.陳生祥，「以總體指標與企業財務資料預測企業財務危機」，私立中原大學資訊管理研究所碩士論文，2005。
12.陳秀美，「台灣地區傳統產業財務危機預警模式之研究─以食品業、紡織業及營造業為例」，國立高雄第一科技大學財務管理研究所碩士論文，2003。
13.陳明賢，「財務危機預測之計量分析研究」，國立台灣大學商學研究所碩士論文，1986。
14.陳建年，「由財務指標態樣探討上市營建公司經營危機之研究」，中央大學土木工程研究所碩士論文，2000。
15.陳淑萍，「資料探勘應用於財務危機預警模式之研究」，銘傳大學資訊管理研究所碩士論文，2002。
16.陳渭淳，「上市公司失敗預測之實證研究」，國立台北大學企業管理學系博士論文，1999。
17.陳漢沖、楊佳寧，「產業別財務變數差異研究」，貨幣觀測與信用評等，第40期，頁87~頁94，2003。
18.陳肇榮，「運用財務比率預測財務危機之實證研究」，政治大學企業管理研究所博士論文，1983。
19.湯玲郎、施並洲，「灰關聯分析、類神經網路、案例推理法於財務危機預警模式之應用研究」，中華管理評論，第四卷第二期，頁25~頁37，2001。
20.黃振豐、呂紹強，「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，頁19~頁40，2000。
21.葉怡芳，「構建財務危機預警模式─支向機與羅吉斯之應用」，元智大學會計學系碩士論文，2004。
22.詹錦宏、袁澤峻，「景氣循環與股價指數之預測─類神經網路之應用」，證交資料期刊，第450期，1999。
23.歐再添，「企業財務危機預測—以產業別建構Logistic預警模型」，國立台灣科技大學企業管理研究所碩士論文，2003。
24.潘玉葉，「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，1990。
25.蔡永泰，「運用資料探勘技術建構企業財務危機預警模型」，私立中原大學資訊管理研究所碩士論文，2005。
26.蔡明熹，「商業銀行企業信用評等模式之研究－以「製造業」與「批發及零售」為例」，輔仁大學應用統計研究所碩士論文，2004。
27.顏明發，「台灣地區上市(櫃)公司財務危機預警模式之研究 - 以電子業為例」，國立高雄第一科技大學金融營運研究所碩士論文，2004。

[英文部分]
1.Altman, E. (1968), “Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy”, Journal of Finance, September, pp.589－609.
2.Altman, E. I., Marco, G. V. and Varetto, F. (1994), “Corporate distress diagnosis: comparisons using linear discriminant analysis and neural networks”, Journal of Banking and Finance, Vol.18, pp. 505－529.
3.Altman, Edward I., G. G. Haldeman, and P. Narayanan (1977), “ZETA Analysis: A new model to identify the bankruptcy risk of corporations”, Journal of Banking and Finance, pp.29－54.
4.Beaver, W. (1966), “Financial Ratios as Predictors of Failure”, Journal of Accounting Research, pp.72－102.
5.Blum, M. (1974), ”Failure Company Discriminant Analysis” , Journal of Accounting Research, pp.1－25.
6.Bowen, Robert M., Lane A. Daley, and Charles C. Huber, Jr., (1982) “Evidence on the Existence and Determinants of Inter-Industry Differences in Leverage”, Financial Management , Vol.11, pp. 10－20.
7.Buxton, B., Trotter, M., Burbidge, R.and Holden, S.（2001）, “Drug design by machine　learning: support vector machines for pharmaceutical data analysis ” , Computer　and Chemistry, 26, pp.5-14.
8.Coats PK. and Fant LF. (1993), “Recognizing financial distress patterns using a neural network tool”, Financial Management, Autumn, pp.142－155.
9.Cortes, C., Vapnik, V.（1995）, “Support-vector networks” , Machine Learning, 20,　pp.273-297.
10.Deakin, E. B. (1972), “A Discriminiant Analysis of Predictors of Business Failure”, Journal of Accounting Research, pp.167－179.
11.Fitzpatrick, P. (1932), “A comparison of the ratios of successful industrial enterprises with those of failed companies”, The Accountants Publishing Company.
12.Koh, H. C. and Tan S. S. (1999), “A neural network approach to the prediction of going concern status”, Accounting and Business Research, Vol.29, No.3, pp. 211－216.
13.Kyung-shik Shin, Taik Soo Lee, and Hyun-jung Kim, (2005), “An application of support vector machines in bankruptcy prediction model”, Expert Syst. Appl., Vol.28, No.1, pp. 127─135.
14.Laitinen, E. K. (1998), ”Financial Ratios and Different Failure Processes”, Journal of Business Finance and Accounting, pp.613－630.
15.Lijuan, C. and Francis, E.H.（2001）,“Financial Forecasting Using Support vector　Machines” , Neural Computing & Application, 10, pp.184-192.
16.Merwin, C. (1942), “Financing small corporations: in five manufacturing industries”, 1926-36, National Bureau of Economic Research.
17.Odom, M.D. and Sharda, R. (1990), “A neural network model for bankruptcy prediction”, IJCNN International Joint Conference, vol.2, pp.163－168.
18.Ohlson, J. A. (1980), ”Financial Ratio and Probabilistic Prediction of Bankruptcy”, Journal of Accounting Research, pp.109－131.
19.Ramser, J., and Foster, L. (1931), “A demonstration of ratio analysis”, Bulletin No.40, Urbana, Ill. University of Illinois, Bureau of Business Research.
20.Scott, James. (1981), ”The Probability of Bankruptcy: A Comparison of Empirical Predictions and Theoretical Models” , Journal of Banking and Finance, pp.317－344.
21.Tam, K. and Kiang, M. (1992), “Managerial applications of neural networks: the case of bank”, Management Science, Vol.38, No.7, pp. 926－947.
22.Wu, Cheng-Ying (2004), “Using non-financial information to predict bankruptcy: A study of public companies in Taiwan”, International Journal of Management, Vol.21 No.2, pp.194－202.
23.Yan, G.（2002）,“Combining Discriminant Models with New Multi-Class SVMs ” , Pattern Analysis & Applications, 5, pp.168-179.