臺灣博碩士論文加值系統

目前關於三十五號公報之研究，多數著重於探討宣告資產減損公司之動機、對財務或經營績效之影響、減損的決定因素、會計報導誘因與對盈餘品質的影響等。然對公司是否應認列資產減損？資產減損認列的幅度是否合理？皆少有觸及。本研究以不同模型進行資產減損的預測，透過不同預測模型之建立與比較，企求能提供較合理的預測結果，以豐富此一研究領域。本文將先分別比較Logit及SVM分類模型，探討何者對是否應認列資產減損的預測較準確。其次，本研究將針對資產減損類型進行分類後，分別以傳統線性迴歸與SVM的迴歸模型(Support Vector Regression，SVR)預測個別資產的減損幅度，提出適當的模型供未來預測參考。因資產減損的樣本異質性廣且變異很大，本研究將進一步結合案例取樣的集成模型袋法(Bagging)，以求取準確的預測。
本文分別分析2005年至2007年的資料。實證結果顯示：是否選擇資產減損的分類預測績效，SVM分類模型略優於Logit模型；經由傳統線性迴歸模型與SVR模型預測結果的比較，亦發現SVR的預測績效在某些情境設定下優於傳統線性迴歸模式的預測績效。進一步比較逐年的實證結果顯示，經由資產減損分類後的SVR與傳統線性迴歸模式對資產減損的預測績效(平均均方偏誤)逐年降低外，本研究亦發現減損幅度預測亦確實與減損類型有關。在不同類型的減損設定下，長期投資減損預測績效優於其他資產類型的預測績效，且SVR模式對資產減損幅度的預測可藉由公司成長率(M/B)的區分而更準確。

Most of current researches about Statement of Financial Accounting Standards No. 35 (SFAS 35) focused on the motivations of assets write-off claims from companies, the effects on financial or managerial performance, the critical elements of losses, the incentives of accounting reports, the influences on revenue quality, etc. However, there hasn’t been any investigation on how the companies made their decisions on whether to declare write-offs and how to predict reasonable amount for declared ones. The present study enriches the reasonable predictions of decision and amount of assets write-off by the comparison of results from different predicting models. First, the classification performances on decision of write-off are studied with respect to Logit and SVM models. Second, reasonable magnitude of assets write-off prediction models for future reference is provided by the study of both linear regression model and Support Vector Regression model (SVR) for each write-off type respectively. In order to overcome the heterogeneity of write-off samples, the ensemble bagging approach is integrated into present prediction models.
The data from year 2005 to 2007 are used for analysis. The empirical results show: the SVM model is mildly accurate to Logit model on the write-off decision prediction; the magnitude of assets write-off prediction performance by SVR model is better than traditional linear regression model under certain conditions; and the mean square errors are decreased year by year. The present study also displays that prediction performances of models relate with different write-off types, especially, the long-term investment write-off prediction is more feasible than others. Besides, the prediction performance could be more obvious by grouping samples with company growth options.

目錄
摘要I
Abstract II
誌謝IV
目錄VI
表目錄VIII
圖目錄IX
第一章 緒論1
第一節 研究動機1
第二節 研究目的3
第三節 研究架構與研究流程 4
第二章 文獻探討6
第一節 資產減損之簡介6
第二節 資產減損之相關文獻回顧8
第三節 支向量機模型之應用 12
第三章 研究設計16
第一節 資料來源與樣本選取 16
第二節 變數定義18
第三節 預測模式建立22
第四節 預測績效指標28
第四章 實證結果分析30
第一節 樣本敘述統計量30
第二節 是否提列資產減損分類預測分析34
第三節 資產減損幅度預測分析36
第五章 結論與限制53
第一節 研究結論53
第二節 研究限制54
參考文獻55

表目錄
表 1資產減損相關文獻彙總表10
表 2樣本統計17
表 3年/產業與減損家數分佈17
表 4各變數定義彙整表21
表 5模式績效評估指標定義29
表 6相關變數敘述性統計量31
表 7類別預測模式35
表 8：2005年各類型資產減損幅度預測37
表 9：2006年各類型資產減損幅度預測38
表 10：2007年各類型資產減損幅度預測39
表 11：2005年長期投資依M/B組群減損幅度預測41
表 12：2006年長期投資依M/B組群減損幅度預測42
表 13：2007年長期投資依M/B組群減損幅度預測43

圖目錄
圖 1研究流程圖5
圖 2超平面12
圖 3多條可以區分資料點的超平面 13
圖 4最佳化超平面及最大的margin 13
圖 5從輸入空映射至特徵空間14
圖 6管狀的ε不敏感損失函數及鬆弛變數(ζ) 24
圖 7：2005~2007年All Write-off幅度預測趨勢圖(a) 45
圖 8：2005~2007年All Write-off幅度預測趨勢圖(b) 45
圖 9：2005~2007年All Write-off幅度預測趨勢圖(c) 46
圖 10：2005~2007年All Write-off幅度預測趨勢圖(d) 46
圖 11：2005~2007年INV依All M/B組群減損幅度預測趨勢圖(a) 47
圖 12：2005~2007年INV依All M/B組群減損幅度預測趨勢圖(b) 47
圖 13：2005~2007年INV依All M/B組群減損幅度預測趨勢圖(c) 48
圖 14：2005~2007年INV依All M/B組群減損幅度預測趨勢圖(d) 48
圖 15：2005~2007年INV依 組群減損幅度預測趨勢圖(a) 49
圖 16：2005~2007年INV依 組群減損幅度預測趨勢圖(b) 49
圖 17：2005~2007年INV依 組群減損幅度預測趨勢圖(c) 50
圖 18：2005~2007年INV依 組群減損幅度預測趨勢圖(d) 50
圖 19：2005~2007年INV依 組群減損幅度預測趨勢圖(a) 51
圖 20：2005~2007年INV依 組群減損幅度預測趨勢圖(b) 51
圖 21：2005~2007年INV依 組群減損幅度預測趨勢圖(c) 52
圖 22：2005~2007年INV依 組群減損幅度預測趨勢圖(d) 52

參考文獻
1.吳智鴻(2004)。結合基因演算法最佳化「支持向量機」參數於財務危機上之應用。國立台北大學企業管理研究所博士論文。
2.林有志與廖宜鋒(2006)。提前採用資產減損公報之公司特性及盈餘管理動機。文大商管學報。11(1)，11-28。
3.林政謙(2005)。應用平滑支撐向量機與類神經網路預測台灣上市電子指數漲跌之研究。東吳大學經濟學系博士論文。
4.財團法人中華民國會計研究發展基金會(2004)，財務會計準則公報第35號公報:「資產減損之會計處理準則」。台北，財務會計準則委員會。
5.張嘉豪(2006)。應用平滑支撐向量分類於台灣股票市場選股之研究。國立臺灣科技大學資訊管理系碩士論文。
6.陳慶隆(2007)。選擇性新會計準則實施時點對策略性會計報導與資訊攸關性的影響。臺灣管理學刊。7(1)，131-159。
7.黃振豊、陳敏齡(2006)。公司提前適用第三五號公報「資產減損」動因之探討。淡江人文社會學刊。25，51-70。
8.葉怡芳(2004)。構建財務危機預警模式—支向機與羅吉斯之應用。元智大學會計碩士論文。
9.劉易昌(2004)。支援向量機於財務預測上之應用。靜宜大學資訊管理研究所碩士論文。
10.薛兆亨與李羿儒(2004) 財務危機預警模式之再探討-應用支撐向量機及邏輯斯迴歸。科技整合管理國際研討會。49 – 72。
11.Cao, L. J. and Tay, F. E. H. (2001). Financial forecasting using support vector machines, Neural Computing & Applications, 10(2), 184 – 192.
12.Cao, L. J. and Tay, F. E. H. (2003). Support vector machine with adaptive parameters in financial time series forecasting, Neural Networks, 14(6), 1506 – 1518.
13.Carn, N., Rabianski, J., Racster, R. & Seldin, M. (1998). Real estate market analysis-techniques and applications. Prentice-Hall.
14.Chao, C. L. (2006). An examination of SFAS No. 35: Adoption timing motives, write-off characteristics, and market reaction, International Journal of Accounting Studies, 45_s, 77-120.
15.Cherkassky, V. and Ma, Y. (2004). Practical selection of SVM parameters and noise estimation for SVM regression, Neural Networks Archive, 17(1), 113-126.
16.Chia, F. (1995). An investigation Into the causes and effects of asset write-offs in Australia. PhD dissertation, University of Western Australia.
17.Cortes, C. and Vapnik, V. (1995). Support vector networks. Machine Learning, 20, 273-297.
18.Cotter, J., Stokes, D. and Wyatt, A. (1998). An analysis of factors influencing asset write-down, Accounting and Finance, 38 (2), 157-179.
19.Dietterich, T. G. (2000). Ensemble methods in machine learning. In J. Kittler and F. Roli (Ed.) First International Workshop on Multiple Classifier Systems, Lecture Notes in Computer Science (pp. 1-15). New York: Springer Verlag.
20.Dimitriadou, Evgenia, Hornik, K., Leisch, F., Meyer, D. and Weingessel, A. (2009). e1071: Misc Functions of the Department of Statistics (e1071), TU Wien. R package version 1.5-19.
21.Elliott, J. and Shaw, W. (1988). Write-offs as accounting procedures to manage perceptions, Journal of Accounting Research, 26, 91-119.
22.Francis, J., Hanna, J. and Vincent, L. (1996). Causes and effects of discretionary asset write-offs, Journal of Accounting Research, 34(3), 117-134.
23.Healy, P. (1996). Discussion of a market-based evaluation of discretionary accrual models, Journal of Accounting Research, 34, 107-115.
24.Heflin, F., and Warfield, T. (1997). Managerial discretion in accounting for asset write-offs, Working Paper, University of Wisconsin-Madison.
25.Hsieh W. T. and Wu, T. Z. C. (2006). Determinants and market reaction of assets impairment in Taiwan, Taiwan Accounting Review, 6(1), 59-95。
26.Hsu, C. W., Chang, C. C. and Lin, C. J. (2008). A practical guide to support vector classification. Available at http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf
27.Hua, Zhongsheng, Yu, W., Xua, X., Bin, Z. and Liang, L. (2007). Predicting corporate financial distress based on integration of support vector machine and logistic regression, Expert Systems with Applications, 33, 434-440.
28.Karatzoglou, A., Smola, A., Hornik, K., and Zeileis, A. (2004). kernlab - An S4 Package for Kernel Methods in R. Journal of Statistical Software 11(9), 1-20. URL http://www.jstatsoft.org/v11/i09/
29.Loh, A. L. and Tan, T. H. (2002). Asset write-offs – managerial incentives and macroeconomic factors. ABACUS, 38(1), 134-151.
30.Min, J. H. and Lee, Y. C. (2005). Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters, Expert Systems with Applications, 28, 603–614.
31.R Development Core Team (2008). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL http://www.R-project.org
32.Reber, B., Berry, B. and Toms, S. (2005). Predicting mispricing of initial public offerings. Intelligent Systems in Accounting, Finance and Management, 13, 41-59.
33.Rees, L., Gill, S. and Gore, R. (1996). An investigation of asset write-downs and concurrent abnormal accruals. Journal of Accounting Research, 34, 157-169.
34.Riedl, E. J. (2004). An examination of long-lived asset impairment, The Accounting Review, 79(3), 823-852.
35.Scholkopf, B. and Smola, A. J. (2002). Learning with Kernels. MIT Press, Cambridge, MA.
36.Shin, K. S., Lee, T. S. and Kim, H. J. (2005). An application of support vector machines in bankruptcy prediction model, Expert Systems with Applications, 28, 127–135.
37.Strong, J. and Meyer, J. (1987). Asset write-downs: Managerial incentives and security returns, Journal of Finance, 42, 643-661.
38.Turner, L. (2001). The state of financial reporting today: An unfinished chapter II. Speech delivered at the third Annual SEC Disclosure and Accounting Conference in New York, NY. June 7.
39.Van Gestel, T., Baesens, B., Suykens, J., Espinoza, M., Baestaens, D. E. Vanthienen, J. and De Moor, B. (2003). Bankruptcy prediction with least squares support vector machine classifiers, 2003 IEEE International Conference on Computational Intelligence for Financial Engineering, 20-23 March 2003, 1-8
40.Vapnik, V. (1995). The Nature of Statistical Learning Theory. Springer, New York, N.Y.
41.Venables, W. N. and Ripley, B. D. (2002). Modern Applied Statistics with S. Fourth Edition. Springer, New York. ISBN 0-387-95457-0
42.Zucca, L. and Campbell, D. (1992). A closer look at discretionary writedowns of impaired assets, Accounting Horizons, 6(3), 30-41.