企業經營績效及經營安全不僅是管理當局重視的問題，更是投資人作為投資依據的重要參考指標。公司發生財務危機，其原因常有脈絡可尋。除了外在經濟環境改變的因素外，從企業的財務報表也可以發現一些共通的現象，如淨值偏低、資金流動力不足、獲利能力偏低等原因。另外管理階層及員工素質及操守、營運決策保守失當等因素，亦會使公司陷入財務危機。
對一般投資人來說，在進行企業財務分析時，大多數採取公開的財務報表資料來從事財務預警。本研究除針對傳統之計量方法(如邏輯迴歸、貝氏網路及決策樹)等方法分析外，亦同時採取人工智慧方法(遺傳演算法、倒傳遞類神經網路、遺傳演化類神經網路模型)等作一比較分析。
在實證分析上，本研究蒐集臺灣上市上櫃傳統產業之115家私人企業，2003年至2005年財務報表之財務比率資料作為樣本資料。而以財務報表的各項財務比率視為投入項，並以灰關聯模型計算出各企業的效率值，以此資料劃分為經營正常及發生財務危機之企業，並利用各種模型預測公司是否可能發生財務危機。首先將各年度資料分為「87%訓練資料及13%測試資料」與「70%訓練資料及30%測試資料」兩組，搜集三個年度共六組資料進行分析。另外為了提升模式的預測能力，本研究嘗試利用灰關聯模型先對輸入變數進行篩選，經由傳統計量及人工智慧方法建構模型---產生六種財務危機預警模式。除分析何種模式具有最佳的預測能力外，並利用Wilcoxon符號檢定六種模式預測績效間是否存有顯著差異。
經由實証分析發現，應用人工智慧方法有顯著的優越性，其結果如下：
一. 在準確度（正確率）的預測方面，六種預測模式之優劣順序為：
遺傳演化類神經網路、倒傳遞類神經網路、遺傳演算法、邏輯迴歸、貝氏網路、決策樹 (GABPN>BPN>GA>Logit>Bayes>Decision Tree)。
二. 就人工智慧方法而言，遺傳演化類神經網路之預測能力較遺傳演算法及倒傳遞類神經網路模型為高；傳統計量方法而言，以邏輯迴歸模型預測能力最高。
三. 整體而言，人工智慧方法所建構之模型預測能力較傳統計量方法為佳。

Enterprise management performance and management safety are not only the top priority for management, but also the important reference indices for investors making investment decisions. When a corporation is in financial crisis, there are identifiable traces which led up to this crisis. In site of changed elements which resulted from outside economical environment, some of the common phenomena can be located within the enterprise financial reports. These are characterized as: low net worth, inadequate liquidity and low profitability, etc. In addition, the quality, conduct and discretion of management level and employee, the factors of conservatism and inappropriateness in operation decision making process would also likely render corporation itself into financial crisis.

As for general investment public in conducting enterprise financial analysis, most adopts publicly disclosed financial reports as substitutes for financial early warning mechanism. Therefore, this research not only focuses on traditional quantitative methods (for instance: Logit Regression, Bayesian Method and Decision Tree) to conduct analysis, but also adopts artificial intelligence methods like (Genetic Algorithms, Back-Propagation Neural Network, Genetic Neural Network) and so on, to further compare and analyze.

In this empirical study, we collect financial ratio data as our samples. These financial ratios are extracted from financial reports filed between the year of 2003 to 2005 from 115 private enterprises which are listed on either TSE (Taiwan Stock Exchange) or GreTai Securities Market. Various financial ratios within financial report are treated as input items. Subsequently the efficiency value is calculated through Grey Relation Analysis for each enterprise under study. Next, this information is used as guideline to separate enterprises into categories of operation normal or prone-to-financial-crisis, which enables future predictions through various models for likely financial crisis. This research starts with dividing annual information and materials collected into two teams: “87% training and 13% testing”, “70% training and 30% testing”. Three annual information and materials with a total of six teams are collected for analyses. On top of this, our research try to use Grey Relation Analysis to filter input variables and through further traditional quantitative and artificial intelligence methods to construct models, with 6 financial crisis warning models produced as final result. Besides analyzing which model possessing the best prediction capability, this research also use Wilcoxon Sign Test to verify and calibrate whether there exists significant differences for these six types of model in performance prediction.

In this empirical study, artificial intelligence method possesses conspicuous superiority than other methods, and the findings are as follow:

1. As for the accuracy (exactness ratio) in prediction, the six models for prediction are rated from top to bottom as follow:

Genetic Neural Network, Back-Propagation Neural Network, Genetic Algorithms, Logit Regression, Bayesian Method and Decision Tree.

2. As for artificial intelligence method, the prediction capability for Genetic Neural Network is higher than those for Genetic Algorithms and Back-Propagation Neural Network. As for traditional quantitative methods, Logit Regression is rated as the highest in prediction capability.

3. As for overall performance, the models constructed through artificial intelligence method possess better prediction capability than those from traditional quantitative methods.

目 錄
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 論文架構 3
第二章 文獻回顧 5
第一節 財務預警相關研究及文獻探討 5
第二節 灰關聯分析之相關文獻 11
第三節 運用統計方法財務預警之相關研究 12
第四節 類神經網路財務預警之相關研究 13
第三章 研究方法與設計 18
第一節 研究流程 18
第二節 研究對象 19
第三節 選取變數 20
第四節 灰色系統理論 26
第五節 倒傳遞類神經網路 29
第六節 遺傳演算法 34
第七節 決策樹 36
第八節 貝氏網路 40
第九節 邏輯迴歸 42
第四章 實證結果與分析 44
第一節 變數選取 49
第二節 分類預測模型之建構 55
第三節 六種模型分類能力綜合比較 64
第四節 Wilcoxon 符號等級檢定 65
第五節 ROC曲線法檢定 66
第五章 結論與建議 68
第一節 結論 68
第二節 建議 69
附表一 71
附表二 75
附表三 81
附表四 84
參考文獻 87

一、中文部份：

1.王文英 ( 1999 )，「運用類神經網路建構台灣上市公司財務危機預警模型」，實踐大學企業管理研究所碩士論文。
2.池千駒（1999），「運用財務性，非財務性資訊建立我國上市公司財務預警模式」，國立成功大學會計系碩士論文。
3.汪忠平（1997），「以類神經網路建立財務危機預測模式－考慮產業、總體因素與其穩定性因素」，東吳大學企業管理研究所碩士論文。
4.吳青俊( 1989 )，「台灣地區紡織業上市公司經營績效之評估」，淡江大學管理科學研究所碩士論文。
5.吳怡嬅 (2002)，「國內產險公司經營績效評估模式之建立－灰關聯分析法之應用」，朝陽科技大學保險金融管理系碩士論文。
6.宋文傑 (2003)，「評估台灣通訊產業的財務績效－多變量區別分析法及灰關聯度整體性分析法之應用」，東華大學國際經濟研究所碩士論文。
7.李智霖(2004)，「利用不同分類模式探討財務危機預警模式之建立」，銘傳大學資訊管理學研究所碩士論文。
8.林文修（2000），「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。
9.范英德(2003)，「應用遺傳演化模糊類神經網路對農會信用部財務危機預警之研究」，東吳大學經濟研究所碩士論文。
10.柯金標(2005)，「應用灰關聯分析建立國內上市電機機械公司經營績效評估之研究」，東吳大學經濟研究所碩士論文。
11.施並洲(1999)，「類神經網路、案例推理法、灰關聯分析於財務危機之應用」，國立中央大學工業管理研究所碩士論文。
12.陳明賢 ( 1986 )，「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。
13.陳俊呈（1998），「倒傳遞網路在財務危機預警模式的預測能力之探討」，國立海洋大學航運管理研究所碩士論文。
14.郭瓊宜(1994)，「類神經網路在財務危機預警模式之應用」，淡江大學管理科學研究所碩士論文。
15.陳肇榮（1983），「運用財務比率預測企業危機之實證研究」，國立政治大學企業管理研究所博士論文。
16.陳靜純 (1999)，「企業經營績效評估模式之建立－以台灣紡織業上市公司為例」，國立中央大學企業管理研究所碩士論文。
17.張力友 (2002)，「評估台灣通訊產業的財務績效－多變量區別分析法及灰關聯度整體性分析法之應用」，銘傳大學金融研究所碩士論文。
18.湯玲郎、施並洲(2001)，「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。
19.鄒香蘭（2001），「我國股票上市公司財務危機預警模式之比較」，彰化師範大學研究所碩士論文。
20.蔡人煜（2002），「類神經網路於預測企業財務危機有效性之研究」，彰化師範大學商業教育學系在職專班碩士論文。
21.蔡永泰(2005)，「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。
22.蔡創中（1987），「景氣低迷時我國股票上市公司財務比率與經營績效之研究」，國立成功大學工業管理研究所碩士論文。
23.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。
24.潘文超(2003)，「以遺傳演化類神經網路建構e化預測系統－樂透與財務預警個案研究」，東吳大學經濟研究所碩士論文。
25.謝劍平（2004），「現代投資學」，智勝文化事業有限公司。
26.歐再添 (2003)，「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。
27.戴鳳玲（1997），「類神經網路與Logit模式對財務危機預測能力之比較研究－以台灣股票上市公司為例」，東吳大學企業管理研究所碩士論文。
28.羅一忠 (2001)，「國內綜合證券商經營績效之評估－主成分分析及灰色關聯分析之應用」，銘傳大學金融研究所碩士論文。

二 、英文部份：

1.Alves,J R. (1978), The Prediction of Small Business Failure Utilizing Financial and Nonfinancial Data, Ph.D. Dissertation, University of Massachusetts.
2.Argenti, J. (1976), Corporate Collapse: The Causes and Symptoms, New York: John Wiley & Sons, Inc.
3.Beaver,W. H. (1966), “Financial Ratio as Predictors of Failure in Empirical Research in Accounting,” :Selected Studies, Supplement to Journal of Accounting Research, 4, 71-111.
4.Beresteanu, Ariel (2003), Nonparametric Estimation of Regression Functions under Restrictions on Partial Derivatives, Working Paper, Department of Economics, Duke University.
5.Collins, R. A. (1980), “An Empirical Comparison of Bankruptcy Prediction Models,” Financial Management, 9(2), 52-57.
6.Cook, D.F., D. C. Ragsdale, and R.L. Major (2000), “Combining a Neural Network with a Genetic Algorithm for Process Parameter Optimization,” Engineering Applications of Artificial Intelligence, 13, 391-396.
7.Deakin, E. B. (1972), “Distributions of Financial Accounting Ratios: Some Empirical Evidence,” The Accounting Review, January, 167-179.
8.Dutta, S., and S. Shekhar (1988), “Bond Rating: A Non-Conservative Application of Neural Network,” Proceeding of the IEEE International Conference on Neural Networks, II, 443-450.
9.Foster, G. (1978), Financial Statement Analysis, Englewood Cliffs, New Jersey: Prentice-Hall Inc.
10.Koh, H. C., and Tan S. S. (1999), “A Neural Network Approach to The Prediction of Going Concern Status”, Accounting and Business Research, 29(3), 211-216.
11.Lai, Tze Leung, and Samuel Po-Shing Wong (2001), “Stochastic Neural Networks with Applications to Nonlinear Time Series,” Journal of the American Statistical Association, 96, 968–981.
12.Lau, A. Hing-Ling (1987),“A Five-State Financial Distress Prediction Model,” Journal of Accounting Research, Spring, 127-138.
13.Libby, R. (1975), “Accounting Ratios and the Prediction of Failure: Some Behavioral Evidence,” Journal of Accounting Research, 13(1), 150-161.
14.McNelis, Paul D., and Peter McAdam (2004), Forecasting Inflation with Thick Models and Neural Networks, Working Paper 352, European Central Bank.
15.Nag, A.K. and A. Mitra (2002), “Forecasting the Daily Foreign Exchange Rates. Using Genetically Optimized Neural Networks," Journal of Forecasting, 21,501-511.
16.Odom, M. D., and R. Sharda (1990), “A Neural Network Model for Bankruptcy Prediciton,” IEEE/INNS, 2,163-168.
17.Ohlson, J. (1980), ”Financial Ratios and The Probabilistic Prediction of Bankruptcy”, Journal of Accounting Research, 18(1), 109-131.
18.Pinches, G. E., K. A. Mingo., and J. K. Caruthers (1973) “The Stability of Financial Patterns in Industrial Organizations,” Journal of Finance, 28(2), 389-396.
19.Piramuthu, S. (1999), “Financial Credit-Risk Evaluation with Neural and Neurofuzzy Systems,” European Journal of Operational Research,112(2), 310-321.
20.Tam, K.Y., and M. Kiang (1992), “Managerial Applications of Neural Networks: The Case of Bank Failure Predictions,” Management Science, July, 926-947.
21.Tsukilmoto, H., and H. Hatano (2003), “The Functional Localization of Neural Networks Using Genetic Algorithms,” Neural Networks, 16, 55-67.
22.Wilson, R.L., and R. Sharda (1994), “Bankruptcy Prediction Using Neural Networks,” Decision Support System, 11, 545-557.
23.Wu, Cheng-Ying (2004), “Using Non-Financial Information to Predict Bankruptcy: A Study of Public Companies in Taiwan,” International Journal of Management, 21(2), 194-202.
24.Yang, Z. R., M. B. Platt, and H. D. Platt (1999), “Probabilistic Neural Networks in Bankruptcy Prediction,” Journal of Business Research, 44(2), 67-74.