臺灣博碩士論文加值系統

當企業發生財務危機或是經營不善時，對於企業本身或是政府單位、投資者及銀行都會造成嚴重的衝擊。因此，若能在事前發現危機的徵兆，建立一套預警模型來預測危機的發生，將可以幫助企業、投資者、銀行或是政府單位降低損失。
本研究以資料採礦流程中CRISP-DM的角度出發，瞭解模型的建構過程，同時，蒐集台灣上市公司之財務資料以及非財務性資料，例如會計資訊、股權結構等變數，藉由傳統統計技術以及資料採礦技術，分別建立以不同誤差抽樣資料建立羅吉斯迴歸、類神經網路以及決策樹模型，並以分類矩陣與增益圖作模型間評估比較，最後再以集群分析作風險區隔。
研究顯示，誤差抽樣1:3的羅吉斯迴歸為最佳模型，其變數包括「利息保障倍數」、「流動比率」、「總資產成長率」、「負債比率」。另外在Microsoft SQL Server 2005決策樹，提供發生財務危機的幾個重要變數，分別為「負債比率」、「總資產成長率」、「淨值報酬率」。並產生5條規則，從中可以了解變數之間的互動關係，將可以根據這些規則，幫助政府單位，或是銀行業甚至是投資大眾更加確認危機公司的特性，將有助於降低事件的發生。

Whenever a crisis or financial distress occurs to some well-known enterprises, the effect can be catastrophic. Not only can it affect the institution, but also can make a significant impact on investors, banks, as well as government. Therefore, if we can create a financial distress model to forecast the occurrences of such crisis, it will be helpful to the company, investors, banks and government to reduce the possibility of such loss.

The main purpose of this research is to apply CRISP-DM and data mining techniques, as well as traditional statistical methods to develop financial distress models. CRISP-DM is a popular method of data mining process. We collected financial and non-financial data, for example, accounting information, ownership structure, from some of the listed companies in Taiwan. We use different oversampling data to build Logistic Regression models, Neural Network models and Decision Tree models in the first. Second is evaluated and compared models by Classification Matrix and Lift Chart. Finally we used Cluster Analysis to distinguish risk.
The research display the Logistic Regression Models of oversampling 1:3 are optimal models. From the optimal Logistic Regression Models of oversampling 1:3, We found that “Times Interest Earned Ratio”、 “Current Ratio”、“Growth Rate of Total Assets”、“Liabilities Ratio” are the significant variables. In addition, we use Microsoft SQL Server 2005 Decision Tree algorithm to find the significant variables, including Liabilities Ratio, Growth Rate of Total Assets, Return On Equity. We get 5 rules. It will understand interactive of the significant variables and help government, banks, and investors to assure the characters of financial distress then reduce the possibility of loss.

第壹章 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 研究流程 3
第貳章 文獻探討 5
第一節 公司治理 5
第二節 財務危機定義 14
第三節 財務危機預警模型之文獻回顧 18
第四節 商業智慧（Business Intelligence） 22
第五節 資料採礦 (Data Mining) 25
第六節 新巴塞爾資本協定 33
第參章 研究方法 40
第一節 研究範圍 40
第二節 研究架構 47
第三節 Microsoft SQL Server 2005資料採礦 48
第四節 研究分析方法 51
第五節 模型評估 58
第四章 實證結果 62
第一節 敘述性統計 62
第二節 變數之常態性及Mann-Whitney檢定 65
第三節 關聯性及共線性分析 68
第四節 抽樣比例之模型方法比較 73
第五節 模型穩定度測試 84
第六節 測試模型的建置 89
第七節 集群分析 91
第伍章 結論與建議 94
第一節 結論 94
第二節 建議 96
第三節 研究限制 97
參考文獻 98

一、 中文部份
1.尹相志(2006)，SQL Server 2005資料採礦聖經，學貫行銷股份有限公司。
2.王濟川、郭志剛(2004)，Logistic迴歸模型-方法及應用，五南圖書出版股份有限公司。
3.沈大白、張大成、劉宛鑫(2002)。運用類神經網路建構財務危機預警模式。貨幣觀測與信用評等，38，95-101。
4.吳凌霄(2004)，財務危機預警模式之探討-以台灣上市公司上櫃電子公司為例，大同大學事業經營研究所碩士論文。
5.林容竹(2001)，內部董事對融資決策呈負影響，輔仁大學金融研究所碩士論文。
6.林君玲(1999)，企業財務危機預警資訊之研究---考慮公司監理因素，台灣大學會計學系研究所。
7.唐筱菁(2001)，整合財務比率與智慧資本指標建構企業危機預警系統，輔仁大學金融研究所碩士論文。
8.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，銘傳大學資訊管理研究所碩士論文。
9.李維平(2004)，運用資料探勘技術建構企業財務危機預警模式-結合財務與非財務資料，中原大學資訊管理學系碩士論文。
10.官旻慧(2004)，以財務比率衡良公司信用風險，世新大學管理學院財務金融學系碩士論文。
11.陳淑萍(2003)，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。
12.林俊吉(2001)，銀行對企業授權產生逾期放款之認知因素分析，國立中山大學財務管理學系碩士論文。
13.林傑斌(2002)，資料採掘與OLAP理論與實務，文魁股份有限公司。
14.謝邦昌、蘇志雄、鄭宇庭、葉劭緯(2005)，資料採礦與商業智慧－SQL Server 2005，鼎茂圖書出版股份有限公司。
15.謝邦昌、鄭宇庭、蘇志雄、郭良芬(2007)，Microsoft SQL Server在資料採礦與商業智慧之應用，中華資料採礦協會。
16.謝邦昌、鄭宇庭、蘇志雄、郭良芬(2007)，Excel 在資料採礦上之應用，中華資料採礦協會。
17.謝邦昌(2003)，資料採礦入門及應用-從統計技術看資料採礦，資商訊息顧問股份有限公司。
18.柯惠新、盧傳熙、謝邦昌(2000)，市場調查與分析技術，曉園出版社。
19.趙民德、謝邦昌(2000)，多變量分析，曉園出版社。
20.謝邦昌(2000)，資料採礦入門及應用－從統計技術看資料採礦，資商訊息顧問有限公司。
21.鄭宇庭、易丹輝、謝邦昌(2006)，統計資料分析，中華資料採礦協會。
22.葉銀華、李存修、柯承恩(2002)，公司治理與評等系統。商智文化事業股份有限公司，台北市。
23.俞慧華(2001)，改良式類神經網路模式於信用卡顧客關係管理之研究，國立台北科技大學商業自動化與管理研究所碩士論文。
24.洪瑞辰(2003)，上市櫃建設公司財務危機預警之研究，國立台灣科技大學營建工程系碩士論文。
25.龔志明(1999)，財務危機預警模式之跨期性研究，國立中山大學財務管理研究所碩士論文。
26.康慧雯(2001)，邏輯斯迴歸分析在資料採礦上之應用，東海大學統計學研究所碩士論文。
27.陳怡君(2003)，資料採礦在財務危機預警模式之應用，天主教輔仁大學應用統計研究所碩士論文。
28.陳生祥(2004)，運用資料探勘技術建構企業財務危機預警模式-結合財務與非財務資料，中原大學資訊管理研究所碩士論文。
29.陳姍霓(2003)，整合類神經網路、多元適應性雲形迴歸與分類迴歸樹於信用平等模式之建構-以房屋貸款為例，輔仁大學管理學研究所碩士論文。
30.陳肇榮(1983)，運用財務比率預測企業財務危機之實證研究。未出版之博士論文，政治大學企業管理研究所。
31.蔡家煥(2007)，商業智慧應用於預測財務危機之研究，天主教輔仁大學應用統計研究所碩士論文。
32.程兆慶(2005)，應用商業智慧技術於信用卡違約風險之預測，國立政治大學統計研究所碩士論文。
33.黃登源(2004)，市場調查與分析，台灣智慧科技與應用統計學會
34.資策會、台灣金融管理學會、東吳大學商學研究發展中心風險管理研究室、台灣財務工程學會與中華民國資訊管理學會(2005)，信用風險議題與資訊平台規劃，經濟部技術處。
35.資策會創新應用服務研究所創新應用中心(2006)，科技化金融服務：金融與資訊應用之華爾滋，經濟部技術處。
36.劉泰谷(2003)，信用卡信用評分模型之建構與分析，世新大學管理學院財務金融學系碩士論文。
37.樓雍儀、賴淑怡、郭美君(2007)，財務危機公司營運資金管理之相關研究，台灣銀行季刊，84-98。
38.鄧家駒(2004)，淺談巴賽爾資本協定之演進與未來改進方向，信用資訊。
39.薛琦(2004)，財務金融個案Ⅰ，財團法人金融研訓院。
40.謝志安(2003)，企業財務危機預測之研究，國立中正大學國際經濟研究所碩士論文。
41.劉向麗(2002)，從銀行融資觀點看企業財務危機預警問題。國立中山大學財務管理研究所碩士論文。

二、 英文部分
1.Altman, E. I., Haldeman, R., and Narayanan, P., 1977, “Zeta Analysis: A New Model to Identify Bankruptcy Risk of Corporations,”Journal of Banking and Finance, 1, 29-54.
2.Amir F. Atiya，2001，Bankruptcy Prediction for Credit Risk Using Neural Networks：A Survey and New Results，IEEE Transactions JNL on Neural Netowrks,VOL. 12,No 4.
3.Aziz, A., and G. H. Lawson, 1989, “Cash Flow Reporting and Financial DistressModels：Testing of Hypotheses,”Financial Management, Vol. 18 , p55-63，Spring.
4.Beaver, W. H.，1966，Financial Ratios as Predictors of Failure， Journal of Accounting Research,pp.72-102.
5.Booth, Peter J. (1983), Decomposition Measures and the Prediction of Financial Failure, Journal of Business Finance and Accounting, 10, 67-85.
6.Blum. M (1974), “Failing Company Discriminant Analysis”, Journal of Accounting Research, Vol.12,pp.1~25.
7.Berry, M. J. A. and Linoff, G. S., Data Mining Techniques: for Marketing, Sales, and Customer Support, New York: Wiley Computer, 1997.
8.Cabena P., Hadjinian P.,Stadler R.,Verhees J. & Zanasi A.(1998), Discovering data mining from concept to implementation, Prentice Hall PTR , Upper Saddle River, NJ.
9.Chen, K.C., And B.k.Church(1992), "Default Debt Obligations and the Issues of Going-Concern Opinions, " Auditing: A journal of Practice and Theory 11, pp.30~49.
10.Deakin, E. B.(1972), "A Discriminat Analysis of Predictors of Business Failure," Journal of Accounting Research, pp.167~179.
11.Duhon, B.,”Business intelligence , “AIIM E - Doc Magazine. Silver Spring: Sep/Oct 2002.Vol. 16, Iss. 5; pp. 12 -13.
12.Frawley, W. J., Paitetsky-Shapiro, G., and Matheus, C.J., “Knowledge Dis-covery in Databases: An Overview, Knowledge Discovery in Databases,” AAAI/MIT Press, California, 1991, pp. 1-30.
13.Grupe, F. H. and Owrang, M. M., “Database Mining Discovering New Knowledge and Cooperative Advantage,” Information Systems Management, 12, 1995, pp. 26-31.
14.Jinwoo Baek; Sungzoon Cho，2003，Bankruptcy prediction for credit risk using anauto-associative neural network in Korean firms.，IEEE International Conference onPages:25-29.
15.Hopwood, W.Mckeown J.C.,Mutchler,J.F.(1994),"A Reexamination of Auditor versus Model Accuracy Within the Context of the Going-Concern Opinion Decision, " Contemporary Accounting Research 10,pp.409~431.
16.Han J.,& Kamber M.,(2000), Data Mining : Concepts and Techniques , Morgan Kaufmann.
17.Lau, Amy Hing-Ling, (1987), A Five-State Financial Distress Predication Model, Journal of Business Finance and Accounting, 25(1), 127-138. Lipton, M. and Lorsch, J.W.(1992), A modest proposal for improved corporate governance, Business Lawyer, 48(1), 59-77.
18.Merwin, C., 1942, “Financing Small Corporations,” New York: Bureau of Economic Research.
19.Ohlson, J. A., 1980, “Financial Ratios and the Probabilistic Prediction of Bankruptcy,” Journal of Accounting Research, 18, 1, 109-131.
20.R.Merton，1974，On the pricing of corporate debt: The risk structure of interest rates，J. Finance, vol. 29, pp. 449–470.
21.Rechner, P.L.(1989), Corporate governance :fact or fiction? Business Horizons, 32(4), 11-15.
22.Weisbach, J. B.(1988), Outside Directors and CEO Turnover, Journal of Financial Economics, 20, 431-4905.
23.Zahra, S. A. and Pearce J.A.(1989), Boards of directors and corporate financial performance: a review and integrated model, Journal of Management, 15, 291-334.