臺灣博碩士論文加值系統

本研究的目的在於導入類神經網路建立國內企業財報的危機預警模型，用於預測企業是否會在未來的某個年度發生財務危機。企業發現財務危機往往可從財報中的財務比率看出跡象，以往大多數金融機構徵、授信人員及股票市場上的投資者常以每股盈餘作為同意授信與否及投資的選項。但事實上，並非每股獲利能力低的就是危機公司，也並非每股獲利能力高的就是財務殷實公司，企業的財務危機需要多方面的評估與考量。本研究將整合各項財務比率，透過類神經網路中自組織特徵映射的技術(SOFM)加上K-means的聚類分析方式，找出最適的群集並建構一套財務危機預警系統。本研究採用TEJ所提供的資料庫進行資料的蒐集，並蒐集台灣的六個主要的產業其中包括了89間上市櫃或曾經上市櫃公司的財務資料進行分析，最後的結果顯示了在所有產業中，有發生過問題的財務資料的確是會有聚類的現象，之後再透用K-means的方式協助將各產業分配出最適當的群集數量，並透過圖形化的方式將結果呈現，在與自組織特徵映射互相搭配得到最後群集的結果，並希望本研究所提出來的驗證是模型在日後可以套用在業界之中，為銀行的授信提供一套適合的分析工具。

The purpose of this study is going to set up the financial report early alarm model with Neural Network methodology. The forecast model is used to detect the financial crisis in few years latter happening in a company. Most Enterprises encounter the financial crisis can often be offered from the financial ratio from the financial report. This research will combine each financial ratio from the Taiwan Economic Journal database, through the analytic approach that combines the Self-Organizing Feature Map (SOFM) to find out the similar group, and using K-means looking for fitness clustering. In the process, we then choose the six majors industries in Taiwan, and pick up the 89 companies, which including the listed companies or was in the listed companies to do analysis. Finally, we asked an expert to help us recognizing the company with our clustering levels, and hope the model that is purposed by this research is able to an analysis tool in the practice.

摘 要 I
ABSTRACT II
誌 謝 III
目 錄 V
圖 目 錄 VI
表 目 錄 VIII
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機 4
第三節 研究目的 5
第四節 研究流程 6
第二章 文獻探討 9
第一節 財務危機的定義 9
第二節 目前國內金融機構徵授信流程 13
第三節 財務指標 15
第四節 類神經網路 21
第五節 群集分析 27
第三章 實驗設計 29
第一節 類神經網路架構 29
第二節 研究流程 31
第四章 實驗結果與分析 40
第一節 實驗分析 40
第二節 實驗結果 64
第五章 結論與建議 71
第一節 研究限制 71
第二節 研究建議 72
參考文獻 74

[1] 吳旻芳, 2004, 以12導程心電圖辨識高血鉀症, 中華大學, 碩士論文, p26-27
[2]李洪慧（1997），動態化財務預警模式之研究-以證券經濟商為例，東吳大學企管研究所未出版之碩士論文
[3]李淑娟，「建立我國債信評等制度之構想」，台灣經濟研究月刊，第十八卷，第六期，37~44頁，民國八十四年六月。
[4]林伯峰(1993)，上市公司於上市前、後之財務特性變化與財務困難之研究，交通大學管理科學研究所未出版之碩士論文
[5]郭志安(1996)，以COX 模型建立財務危機預警模式，逢甲大學統計與精算研究所未出版之碩士論文
[6]陳惠玲，「台灣企業信用風險指標之編製與應用」，貨幣觀測與信用評等，4~11頁，民國八十五年九月。
[7]陳惠玲、黃政民，財務報表分析與企業信用評等，台灣經濟新報社文化事業股份有限公司，民國八十四年三月。
[8]葉怡成，類神經網路模式應用與實作，儒林圖書有限公司，台北市，2004年。
[9]潘玉葉(1990)，台灣股票上市財務危機預警分析，私立淡江大學管理科學研究所未出版之博士論文。
[10]謝邦昌，資料採礦與商業慧-SQL Server 2005，鼎茂圖書出版股份有限公司，台北市，2005年。
[11]F銀行風控管理處信用風險部。
[12]F銀行徵信處。
[13]蔡易達、盧以詮，「運用貝氏網路建立台灣地區高風險上市公司之偵測模型」元智大學資訊研究所碩士論文，2000年。
[14]鄭雅穗,盧以詮提昇營業所得稅稽核案件選查之有效性。
[15] 台灣經濟新報資料庫(http://www.tej.com.tw)
[16]Altman, E. I. (2000), Predicting Financial Distress of Companies: Revisiting the Z-Score and Zeta Models, adapted and updated from Altman (1968) and Altman (1977).
[17]Beaver, W. H. (1966), Financial Ratios as Predictors of Failure, Journal ofAccounting Research, Vol. 4, P71-P102.
[18]Blum, M. (1974), Failure Company Discriminated Analysis, Journal ofAccounting Research, Vol. 12, P1-P25.
[19]E. Alhoniemi, J. Himberg, K. Kiviluoto, J. Parviainen, J. Vesanto, SOM Toolbox for Matlab, Helsinki University of Technology, Helsinki, 1997.http://www.cis.hut.fi/projects/somtoolbox/.
[20]Han J., Kamber M., Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers, 2000.
[21]Kohonen, T. et al., “The Self-Organizing Map Program Package”, Helsinki University of Technooty, Faculty of Information Technology, Laboratory of Computer and Information Science, Report A31, 1996.
[22]Kohonen, T., “Self-Organization and Associative Memory”, Springer, Berlin, 1988.
[23]Kohonen, T., “The Self-Organizing Map”, Proceedings of The IEEE, Vol. 79, No. 9, September 1990, pp.1464-1480.
[24]Kohonen, T., et al. “The Learning Vector Quantization Program Package”, Helsinki University of Technooty, Faculty of Information Technology, Laboratory of Computer and Information Science, Report A30, 1996.
[25]R. Krishnapuram and J. M. Keller, A possibilistic approach to clustering, IEEE Transactions on Fuzzy Systems, 1 (May, 1993).
[26]S. R. Kulkarni, G. Lugosi and S. S. Venkatesh, Learning Pattern Classification, IEEE Transactions on Information theory, 44 (October, 1998).