臺灣博碩士論文加值系統

本研究主要目的是應用機器學習的技術來建構繼續經營預測模型，首先運用類神經網路篩選出重要變數，再配合C5.0決策樹模式來建立預測模型。為了測試本研究所提模型的有效性，本研究資料來自台灣經濟新報社資料庫中(TEJ)，研究對象為2009年至2018年財務報表有繼續經營疑慮及無繼續經營疑慮之上市櫃公司(以1:3進行配對)，研究變數涵蓋財務與非財務變數。相較於傳統的統計模式對繼續經營意見的判斷，以機器學習技術建立的預測模式有較優秀的預測績效，其中ANN搭配C5.0建構的繼續經營預測模型整體預測準確率達92.49%。

The main purpose of this study is to apply the machine learning techniques to construct a prediction model for going concern. First, the artificial neural network is used to screen out important variables, and then the C5.0 decision tree model is used to establish the prediction model. The data of this study is from the Taiwan Economic Journal (TEJ) from 2009 to 2018. The research object is a listed company that has doubts about going concern and no doubts about going concern (1GC sample: 3Non-GC samples). The research variables cover financial and non-financial variables. Compared with the traditional statistical model for the judgment of going concern opinions, the prediction model established by machine learning technology has better prediction performance. The overall prediction accuracy rate of ANN-C5.0 model is 92.49%.

內容目錄
中文摘要　．．．．．．．．．．．．．．．．．．．．． i
英文摘要 ．．．．．．．．．．．．．．．．．．．．． ii
誌謝辭 ．．．．．．．．．．．．．．．．．．．．． iii
內容目錄　．．．．．．．．．．．．．．．．．．．．． iv
表目錄　　．．．．．．．．．．．．．．．．．．．．． vi
圖目錄　　．．．．．．．．．．．．．．．．．．．．． vii
第一章　　緒論．．．．．．．．．．．．．．．．．．． 1
第一節　　研究背景與動機　．．．．．．．．．．． 1
第二節　　研究目的　．．．．．．．．．．．．．． 4
第三節 研究流程與論文章節架構．．．．．．．． 5
第二章　　文獻探討．．．．．．．．．．．．．．．．． 7
第一節　　繼續經營疑慮．．．．．．．．．．．．． 7
第二節 繼續經營疑慮預測模型．．．．．．．．． 8
第三章　　研究方法．．．．．．．．．．．．．．．．． 10
第一節　　特徵選取方法．．．．．．．．．．．．．． 10
第二節　　分類預測方法．．．．．．．．．．．．．． 12
第三節 樣本與研究變數．．．．．．．．．．．． 16
第四章　　實證結果分析．．．．．．．．．．．．．．． 21
第一節　　敘述性統計分析．．．．．．．．．．．． 21
第二節　　重要變數篩選．．．．．．．．．．．．． 23
第三節　　分類預測模式．．．．．．．．．．．．． 25
第五章　　研究結論．．．．．．．．．．．．．．．．． 28
第一節 結論．．．．．．．．．．．．．．．．．． 28
第二節 建議．．．．．．．．．．．．．．．．．． 29
第三節 研究限制．．．．．．．．．．．．．．．． 30
參考文獻　　．．．．．．．．．．．．．．．．．．．． 31

參考文獻
一、中文部分
葉怡成(2003)，類神經網路模式應用與實作，台北市：儒林圖書有限公司。

財團法人中華民國會計研究發展基金會審計準則委員會(2006)，審計準則公報及審計實務指引合訂本，台北：著者發行。

廖述賢、溫志皓(2012)，資料探勘理論與應用:以IBM SPSS Modeler為範例，新北市：碩博文化股份有限公司，1-2。

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未出版碩士論文。

蔡璧徽、李正福(2011) ，會計師意見在財務危機預測之應用與分析，臺大管理論叢；22卷第1期期，327-356。

盧鈺欣、林昱成與林育伶(2016)，資料探勘技術在繼續經營疑慮意見診斷模型之應用，會計評論；63期，77-108。

羅玉惠(2007)，整合財務比率與公司治理指標建構信用平等預測模型-區別分析與類神經網路之應用，國立台北大學企業管理學系碩士論文。
 
二、英文部分
Anandarajan, M., and A. Anandarajan, (1999), A comparison of machine learning techniques with a qualitative response model for auditor’s going concern reporting, Expert Systems with Applications 16, 385-392.

Beaver, W. H., (1966), Financial Ratios as Predictors of Failure, Journal of Accounting Research 4, 71-111.

Chen, S. (2019). An effective going concern prediction model for the sustainability of enterprises and capital market development, Applied Economics, 51(31), 3376-3388.

Coats, P.K., and L.F.Fant., (1993), A Neural Network Approach to Forecasting Financial Distress, Journal of Business Forecasting 10, 9-12.

Hansen, J. V., J. B. McDonald, and J. D. Stice, (1992), Artificial intelligence and generalized qualitative-response models: an empirical test on two audit decision-making domains, Decision Sciences 23(3), 708-723.

Krirkos, E., Spathis, C., Nanopoulos, A., and Manolopoulos, Y., (2007), Identifying qualified auditors' opinions: a data mining approach, Journal of Emerging Technologies in Accounting 4(1), 183-197.
 
Lenard, M. J., Alam, P., and Madey, G. R. (1995). The application of neural networks and a qualitative response model to the auditor’s going concern uncertainty decision. Decision Sciences, 26(2), 209-227.

Levitan, A. S., and J. A. Knoblett, (1985), Indicators of exceptions to the going-concern assumption, Auditing: A Journal of Practice and Theory 5(1), 26-39.

Mahdi Salehi, and Fezeh Zahedi Fard, (2013), Data mining approach to prediction of going concern using classification and regression tree (CART), Global Journal of Management and Business Research 13(3), 24-30.

Martens, D., L. Bruynseels, B. Baesens, M. Willekens, and J. Vanthienen, (2008), Predicting going concern opinion with data mining, Decision Support Systems 45(4), 765-777.

Mutchler, J.F., (1985), A Multivariate Analysis of the Auditor's Going-Concern Opinion Decision, Journal of Accounting Research 23(2), 668-682.

Quinlan, J.R. (1986), Introduction of Decision Trees, Machine Learning 1(1): 81-106.