跳到主要內容

臺灣博碩士論文加值系統

(44.210.99.209) 您好!臺灣時間:2024/04/18 16:41
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:陳振嘉
研究生(外文):Jeng-Chia Chen
論文名稱:以類神經網路建構階段式企業財務危機預警模型
論文名稱(外文):Using Neural Networks to Predicate Financial Distress : A Multi-state Model
指導教授:許通安許通安引用關係
指導教授(外文):Tong-An Hsu
學位類別:碩士
校院名稱:中原大學
系所名稱:資訊管理研究所
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2006
畢業學年度:94
語文別:中文
論文頁數:101
中文關鍵詞:多重分類財務危機預警模型倒傳遞類神經次序性logistic迴歸
外文關鍵詞:Ordinal Logistic RegressionFinancial distress prediction modelMulti-classificationBackpropagation Neural Networks
相關次數:
  • 被引用被引用:5
  • 點閱點閱:155
  • 評分評分:
  • 下載下載:3
  • 收藏至我的研究室書目清單書目收藏:3
提前預測企業財務危機可為債權人與投資者節省因跳票、倒閉等之金錢損失,以往的研究往往採用二元分類(Binary-state)模型,忽略企業發生財務危機為一連續性的過程。本研究嘗試以多重分類(Multi-state)的方式,分析企業的真正財務狀態,使用倒傳遞類神經網路與次序性Logistic迴歸模型相比較。分析的變數除了傳統財務比率外,也加入現金流量、股權結構與會計師資訊等非財務變數,並分別採用「因素分析」與「逐步迴歸」篩減變數,針對模型的效益評估特別著重模型的「穩定性」與「分類誤差」,選用五年的資料期間每年建立不同的預警模型,藉此評估於期間內相對穩定的預警模型,在分類誤差方面,則針對多重分類的特性以型一誤差比率與預期分類誤差成本(Expected Cost of Misclassification)作衡量。

本研究總共建立45個財務預警模型,經過準確率、型一誤差、ECM的評估後發現「倒傳遞類神經網路」在多重分類上得效益遠較「次序性logistic迴歸模型」為佳,使用「因素分析」的模型具有穩定性stability高與誤差小的優點,篩選出的變數則以會計師資訊、獲利能力、財務結構指標佔多數,以「等比例樣本」為訓練樣本的類神經網路模型也在穩定性上勝過「實際樣本比例」模型,而結合「因素分析」與「等比例樣本」建構的倒傳遞類神經網路模型更是為9種模型較為優秀者。
Predicting corporate financial distress helps to debtors and investors to presents economic loss from corporate bankruptcy. In the past academic research, Binary-State Model is most used to forecast the crisis, but with a fault that the company financial crisis is a continuous process. This research used Multi-State Model to analyze company real financial status by comparing Backpropagation Neural Networks and Ordinal Logistic Regression Model. Besides the traditional financial indictors, We add the non-financial variables based on the theory of Cash Flow, Ownership Structure and CPA’s opinion to predict corporate financial distress. Then we use Factor Analysis or Stepwise Regression to choose the explained variables. To evaluate and discovery the stable model, We establish models every year with different methods during 2000-2004. In misclassification study, we use the type I error rate and Expected Cost of Misclassification (ECM) to evaluate the multi-state model.

This research established totally 45 models to predict financial distress. After evaluating by Accuracy, type I error and ECM, we find that the models built by Backpropagation Neural Networks is effective than Ordinal Logistic Regression Model in Multi-classification. And the models using Factor Analysis to choose explained indictors is highly stability with little error cost than using Stepwise Regression ones. Most of the variables chosen by Factor Analysis belong to Profitability, Capital Structure and CPA’s opinion. Otherwise Balanced sample training makes the Backpropagation Neural Networks more stable than unbalanced sample training. And the combined Network model using Fact analysis and balanced sample is even more much better than the others.
目 錄

摘 要 I
ABSTRACT II
致 謝 IV
目 錄 V
表 目 錄 VII
圖 目 錄 VIII
第一章 緒論 - 1 -
第一節 研究背景與動機 - 1 -
第二節 研究問題與目的 - 2 -
第三節 研究流程與範圍 - 3 -
第二章 文獻探討 - 5 -
第一節 企業財務危機之定義 - 5 -
2.1.1 二元分類與多重分類 - 5 -
2.1.2 多重分類模型 - 7 -
第二節 企業財務危機預警模型 - 8 -
2.2.1 統計模型 - 8 -
2.2.2 人工智慧模型 - 11 -
2.2.3 其他管理理論模型 - 12 -
2.2.4 多重分類企業財務危機預警模型 - 13 -
第三節 模型評估方法 - 17 -
2.3.1 準確率 - 17 -
2.3.2 相對誤差成本 - 18 -
2.3.3 預期分類誤差成本 - 19 -
第三章 研究方法 - 22 -
第一節 研究架構 - 22 -
第二節 應變數定義 - 23 -
3.2.1 潛在危機 - 24 -
3.2.2 危機爆發 - 25 -
第三節 解釋(輸入)變數定義 - 26 -
3.3.1 規模變數 - 26 -
3.3.2 傳統財務比率 - 26 -
3.3.3 現金流量變數 - 29 -
3.3.4 股權結構變數 - 30 -
3.3.5 會計師意見 - 31 -
第四節 資料來源與變數篩選 - 34 -
3.4.1 資料來源與資料前處理 - 34 -
3.4.2 變數篩選 - 35 -
3.4.3 因素分析 - 36 -
第五節 樣本選用 - 37 -
第六節 模型建立與參數設定 - 39 -
第七節 模型效益評估與比較 - 41 -
第四章 研究分析 - 43 -
第一節 敘述統計 - 43 -
4.1.1 基本統計量 - 43 -
4.1.2 均數檢定 - 46 -
第二節 變數篩選 - 48 -
4.2.1 因素分析 - 48 -
4.2.2 逐步迴歸 - 56 -
第三節 模型建立與訓練 - 58 -
4.3.1 倒傳遞類神經網路 - 58 -
4.3.2 次序性logistic迴歸模型 - 61 -
第四節 模型效益衡量 - 69 -
4.4.1 準確率 - 70 -
4.4.2 分類誤差 - 78 -
4.4.3 模型建構方法比較 - 84 -
第五章 結論與建議 - 86 -
參考文獻 - 90 -


表 目 錄

表2-1 : 型一誤差、型二誤差關係表 - 18 -
表2-2 : 相對誤差成本表 - 20 -
表3-1 : 解釋(輸入)變數一覽表 - 32 -
表3-2 : 樣本分佈表 - 34 -
表3-3 : 資料集組成內容一覽表 - 37 -
表3-4 : 預警模型一覽表 - 38 -
表3-5 : 倒傳遞類神經網路參數設定一覽表 - 40 -
表4-1 : 基本統計量表(非類別解釋變數) - 43 -
表4-2 : 基本統計量表(類別解釋變數) - 45 -
表4-3 : K-W檢定結果一覽表 - 47 -
表4-4 : 第一次因素分析轉置後因素負荷矩陣 - 49 -
表4-5 : 第一次因素分析模型累積解釋力 - 51 -
表4-6 : 第二次因素分析轉置後因素負荷矩陣 - 52 -
表4-7 : 第二次因素分析模型累積解釋力 - 53 -
表4-8 : 第三次因素分析轉置後因素負荷矩陣 - 54 -
表4-9 : 第三次因素分析模型累積解釋力 - 55 -
表4-10 : 逐步迴歸變數增加/刪除 - 56 -
表4-11 : 逐步迴歸摘要表 - 57 -
表4-12 : 分類矩陣彙總表(倒傳遞類神經網路) - 60 -
表4-13 : 次序性logistic迴歸模型係數估計值與個別變數顯著性(全部進入) - 62 -
表4-14 : 次序性logistic迴歸模型係數估計值與個別變數顯著性(因素分析) - 65 -
表4-15 : 次序性logistic迴歸模型係數估計值與個別變數顯著性(逐步迴歸) - 67 -
表4-16 : 分類矩陣彙總(次序性logistic迴歸模型) - 68 -
表4-17 : 模型效益評估彙總(倒傳遞類神經網路) - 69 -
表4-18 : 模型效益評估彙總(次序性logistic迴歸模型) - 70 -
表4-19 : 整體模型準確率敘述統計 - 71 -
表4-20 : 「正常穩定」準確率敘述統計 - 73 -
表4-21 : 「潛在危機」準確率敘述統計 - 74 -
表4-22 : 「危機爆發」準確率敘述統計 - 76 -
表4-23 : 型一誤差比率敘述統計 - 79 -
表4-24 : 預期分類誤差成本敘述統計(1:10) - 80 -
表4-25 : 預期分類誤差成本敘述統計(1:20) - 81 -
表4-26 : 預期分類誤差成本敘述統計(1:50) - 82 -
表4-27 : 不同變數篩選法之驗證排名 - 84 -
圖 目 錄

圖1-1 研究流程圖 - 4 -
圖2-1 : 二元分類與多重分類之區隔 - 6 -
圖2-2 : 倒傳遞類神經網路架構圖 - 11 -
圖3-1 : 研究架構圖(一年) - 23 -
圖4-1 : 整體模型準確率 - 71 -
圖4-2 : 「正常穩定」準確率 - 72 -
圖4-3 : 「潛在危機」準確率 - 74 -
圖4-4 : 「危機爆發」準確率 - 75 -
圖4-5 : 型一誤差比率 - 78 -
圖4-6 : 預期分類誤差成本(1:10) - 80 -
圖4-7 : 預期分類誤差成本(1:20) - 81 -
圖4-8 : 預期分類誤差成本(1:50) - 82 -
1.Anurag Agarwal, Jefferson T.Davis, and Terry Ward,“Supporting Ordinal Four-State Classification Decisions Using Neural Networks,” Information Technology and Management, 2001, Vol.2, pp5-26.
2.Blum M., “D-Score : Bankruptcy Prediction Model for Middle Market Public Firms,” Macalester College, 2003, Working Paper.
3.Daniel E. O'Leary, “Using Neural Networks to Predict Corporate Failure,” International Journal of Intelligent Systems in Accounting, Finance & Management, 1998,Vol.7, pp187-197.
4.Harlan L. Etheridge, and Ram S. Sriram.,“A Comparison of the Relative Costs of Financial Distress Models : Artificial Neural Networks, Logit and Multivariate Discriminant Analysis,” International Journal of Intelligent Systems in Accounting, Finance & Management, 1997, Vol.6, pp235-248.
5.James M Carson, and Robert E Hoyt, “An Empirical Examination of Sample Seletion Methods in the Context of Life Insurer Financial Distress,” Journal of Insurance Issues, 2003, Vol.26, pp114-128
6.John Stephen Grice, Sr, “Reestimation of the Zmijewski and Ohlson Bankruptcy Prediction Models,” Advances in Accounting, 2003, Vol.20, pp77-93.

7.Kurt M. Fanning, and Kenneth O. Cogger, “A Comparative Analysis of Artificial Neural Networks Using Financial Distress Prediction,” International Journal of Intelligent Systems in Accounting, Finance, and Management, 1994, Vol.3, pp241-252.
8.M. Adnan Aziz, and Humayon A. Dar, “Predicting Corporate Bankruptcy : Whither do We Stand ? ,” Department of Economics, Loughborough University, 2005, Working Paper.
9.Ran Barniv, Anurag Agarwal and Robert Leach ,“Prediction Bankruptcy Resolution,” Journal of Business Finance & Accounting, 2002,Vol.29, pp497-520.
10.Sofie Balcaen, and Hubert Ooghe, “35 years of Studies on Business Failure: An Overview of the Classical Statistical Methodologies and Their Related Problems,” Department of Accountancy and Corporate Finance, Ghent University, 2004, Working Paper.
11.Stephen A. Hillegeist, Elizabeth K. Keating, Donald P. Cram, and Kyle G. Lundstedt, “Assessing the Probability of Bankruptcy,” Review of Accounting Studies, 2004, Vol.9, pp5-34.
12.Stewart Jones, and David A. Hensher, “Predicting Firm Financial Distress : A Mixed Logit Model,” The University of Sydney, 2005, Working Paper.
13.Tseng-Chung Tang, and Li-Chin Chi, “Neural Networks Analysis in Business Failure Prediction of Chinese Importers: A Between-Country Approach, ” Expert Systems with Applications, 2005, Vol.29, pp244-255.
14.王濟川、郭志剛,「Logistic迴歸模型-方法及應用」,五南圖書出版股份有限公司,2004年9月
15.羅華強,「類神經網路-MATLAB應用」,高立圖書股份有限公司,2005年7月
16.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」,2000,中央大學資訊管理系博士論文
17.邱碧芳,「公司財務預警之研究-考慮現金流量因素」,2002,朝陽科技大學財務金融系碩士論文
18.郭敏華,「債信評等」,智勝文化事業有限公司,2004年8月再版
19.郭敏華,「財務報表分析-評價應用」,智勝文化事業有限公司,2000年1月初版
20.張裴章、張麗秋、黃浩輪,「類神經網路-理論與實務」,東華書局,2004年6月再版
21.陳淑萍,「資料探勘運用於財務預警模式之研究」,2003,銘傳大學資訊管理學系碩士論文
22.黃振豐、呂紹強,「企業財務預警模式之研究-以財務及非財務因素建構」,2000,當代會計,第一卷第一期,19-40頁
23.聶聖之,「會計資訊與財務危機之預測-考量危機嚴重性之差異」,2004,中原大學會計系碩士論文
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top