臺灣博碩士論文加值系統

財務危機的發生，使得企業獲利衰退，且重大財務危機的出現，更加重影響台灣上市櫃公司，近年來研究財務危機的學者，未將研究樣本依重大財務危機事件做劃分，因此本文將樣本期間區分為金融海嘯期間與金融海嘯後期間，以不同樣本期間做劃分，並以台灣上市櫃公司之一般產業為例，首先選取26個變數，利用Logistic迴歸與類神經網路在金融海嘯期間與金融海嘯後，來判別公司是否具有財務危機。其次將原始26個變數利用支援向量機進行特徵篩選，分別再使用Logistic迴歸與類神經網路，比較特徵選取後各期間樣本判別之準確率。
實證結果顯示本研究的分析方法適用於金融海嘯時與金融海嘯後，且不論樣本期間為何，類神經網路判別皆優於Logistic迴歸方法。在特徵選取上採用支援向量機是較佳的，且在區分樣本上，樣本期間越接近危機時點與增加樣本期間，都會提升財務危機預測之準確率。

This paper uses logistic regression and neural network to examine whether the companies had the financial crises during and after the periods of Financial Tsunami by collecting data from the listed companies in Taiwan. We choose 26 independent variables initially and then use recursive feature elimination based on support vector machine to select the important variables from the original 26 variables. After selecting the important variables, we use logistic regression and neural network again to determine the correct rates of prediction.
Our empirical results indicate neural network methods are better than logistic regression, no matter which the sample period is. The recursive feature elimination based on support vector machine is a good feature selection. The correct rates increase, when the sample periods close to the timing of financial crises or the sample periods lengthen.

摘要---------------------------I
Abstract-----------------------II
誌謝---------------------------III
目錄---------------------------IV
表目錄-------------------------VI
圖目錄-------------------------VIII
第一章　緒論---------------------------1
第一節　研究動機-----------------------1
第二節　研究目的-----------------------2
第三節　研究架構-----------------------4
第二章　文獻探討-----------------------6
第一節　財務危機之定義-----------------6
第二節　國外財務危機之研究方法---------8
笫三節　國內財務危機之研究方法---------13
第三章　研究方法-----------------------16
笫一節　樣本與資料來源-----------------16
第二節　研究變數定義-------------------17
笫三節　分析方法-----------------------23
笫四節　預測能力之衡量-----------------28
第四章　實證結果-----------------------32
第一節　敘述性統計分析-----------------32
第二節 Logistic預測之實證結果---------33
第三節　類神經網路預測之實證結果-------41
第四節　特徵選取之實證結果-------------50
第五節　實證結果總結-------------------57
第五章　結論與建議 ---------------------60
參考文獻-------------------------------63
表目錄
表2-1　國外文獻整理------------------12
表2-2 國內文獻整理------------------15
表3-1　資料範圍----------------------17
表3-2　倒傳遞類神經網路參數設定------26
表3-3　混亂矩陣----------------------28
表4-1　全樣本敘述統計-----------------32
表4-2　Logistic迴歸之分析結果(期間A) -----------------34
表4-3　Logistic迴歸分類預測結果(期間A)----------------34
表4-4　Logistic迴歸之混亂矩陣表(期間A)----------------34
表4-5 Logistic迴歸之分析結果(期間B)------------------36
表4-6 Logistic迴歸分類預測結果(期間B)----------------36
表4-7 Logistic迴歸之混亂矩陣表(期間B)----------------36
表4-8　Logistic迴歸之分析結果(期間C)------------------37
表4-9　Logistic迴歸分類預測結果(期間C)----------------37
表4-10 Logistic迴歸之混亂矩陣表(期間C)---------------38
表4-11　Logistic迴歸之分析結果(期間D)-----------------39
表4-12　Logistic迴歸分類預測結果(期間D)---------------39
表4-13　Logistic迴歸之混亂矩陣表(期間D)---------------39
表4-14 Logistic迴歸之混亂矩陣(各期間)----------------40
表4-15 Logistic迴歸預測結果(各期間)------------------41
表4-16　類神經網路之分析結果(期間A)-------------------42
表4-17　類神經網路分類預測結果(期間A)-----------------42
表4-18　類神經網路之混亂矩陣表(期間A)-----------------42
表4-19 類神經網路之分析結果(期間B)-------------------44
表4-20 類神經網路分類預測結果(期間B)-----------------44
表4-21 類神經網路之混亂矩陣表(期間B)-----------------44
表4-22 類神經網路之分析結果(期間C)-------------------45
表4-23 類神經網路分類預測結果(期間C)-----------------45
表4-24 類神經網路之混亂矩陣表(期間C)-----------------46
表4-25 類神經網路之分析結果(期間D)-------------------47
表4-26 類神經網路分類預測結果(期間D)-----------------47
表4-27 類神經網路之混亂矩陣表(期間D)-----------------47
表4-28 類神經網路之混亂矩陣(各期間)------------------49
表4-29 類神經網路預測結果(各期間)--------------------49
表4-30 SVM特徵選取結果-------------------------------51
表4-31 SVM特徵選取混亂矩陣表(Logistic)---------------53
表4-32 SVM特徵選取預測結果(Logistic)-----------------53
表4-33 SVM特徵選取混亂矩陣表(類神經網路)-------------56
表4-34 SVM特徵選取預測結果(類神經網路)---------------57
表4-35 預測結果彙整(各期間)--------------------------59


圖目錄
圖1-1　研究架構流程圖------------------5
圖3-1　神經元架構----------------------24

一、中文文獻
1.尹相志(2006)，SQL Server 2005 資料採礦聖經，台北，學貫出版。
2.李天行、唐筱菁(2004)，整合財務比率與智慧資本於企業危機診斷模式之建構－類神經網路與多元適應性雲形迴歸之應用，資訊管理學報，第11卷 (第2期) ，頁161-189
3.李沃牆、朱竣平(2008)，信用評等、公司違約率與財務危機預測之探討，真理財經學報，(第18期)，33-70。
4.林基煌(1999)，財務危機之預防與管理，今日會計 (74)，頁 2-9。
5.林豐騰(2009)，企業財務危機預測-整合財務指標、公司治理因素及智慧資本構面模型，績效與策略研究，第6卷 (第2期)，頁59-72。
6.林郁翎、黃建華 (2009)，考慮公司治理之企業財務危機預警模型，東吳經濟商學學報，第64 卷，頁 23-56。
7.邱志洲、簡德年 (2002)，整合類神經網路與分類迴歸樹在建構企業危機診斷模式上之應用，中華管理評論國際學報，第5卷 (第4期)，頁55-82。
8.邱登裕、鍾典村、吳致遠、謝齊莊(2007)，以GA-SVM法探討企業財務危機之研究，中華管理學報，第8卷 (第4期)，頁61-86。
9.沈大白、張大成與劉宛鑫(2002)，運用類神經網路建構財務危機預警模型，貨幣觀測與信用評等 (第38期)，頁 95-102。
10.許溪南、歐陽豪與陳慶芳(2007)，公司治理、盈餘管理與財務預警模型之建構，會計與公司治理，第4卷 (第1期)，頁85-121。
11.陳順宇(2005) ，多變量分析(第四版)。台北:華泰文化。
12.湯惠雯、馮淑敏、令狐雅萍(2005) ，考慮產業訊息下之財務危機預警模式之研究，管理科學與統計決策，第2卷 (第1期)，頁77-93。
13.黃劭彥、李超雄、洪光宏、吳東憲(2006)，以經營效率觀點建立台灣資訊電子業財務危機預警模型，文大商管學報，第11卷 (第2期)，頁1-20。
14.楊雪蘭、唐豪駿(2010)，結合公司治理機制，財務比率與總體經濟敏感度以建置財務危機預警模型－以台灣下市公司爲例，危機管理學刊，第7卷 (第2期)，頁11-24。
15.蔡璧徽、黃鈺萍(2010)，財務危機預測模型之比較分析，當代會計，第11卷 (第1期)，頁51-78。
16.劉邦典、梁榮輝、粘元馨(2007) ，臺灣企業財務危機預警模型建構之研究，績效與策略研究，第4卷 (第3期)，頁15-27。
二、英文文獻
1.Ahn, B. S., Cho, S. S. and Kim, C. Y., (2000), The integrated methodology of rough set theory and artificial neural network for business failure prediction, Expert Systems with Applications,18(2), pp. 65-74.
2.Altman, E. I., (1968), Financial ratios, discriminant analysis and the prediction of Corporate Bankruptcy. The Journal of Finance, 23(4), pp. 589-609.
3.Atiya, A. F., (2001), Bankruptcy prediction for credit risk using neural networks: a survey and new results, IEEE Transactions on Neural Networks, 12(4), pp. 929-935.
4.Chen, W. S., and Du, Y. K., (2009), Using neural networks and data mining techniques for the financial distress prediction model, Expert Systems with Application, 36(2), pp. 4075-4086.
5.Deakin, E. B., (1972), A discriminant analysis of predictors of business failure, Journal of Accounting Research, 1972, 10(1), pp. 167-179.
6.Demyanyk, Y.and Hasan, I., (2010), Financial crises and bank failures: a review of prediction methods, Omega, 38(5), pp. 315-324.
7.Foreman, R. Dean., (2003), A Logit analysis of bankruptcy within the US local telecommunication industry, Journal of Economics and Business, 55(2), pp. 135-166.
8.Sun, J., and Li. H., (2008), Data mining method for listed companies’ financial distress prediction, Knowledge-Based System, 21(1), pp. 1-5.
9.Kim, H. S., and Sohn, S. Y., (2010), Support vector machines for default prediction of SMEs based on technology credit, European Journal of Operational Research, 201(3) , pp. 838-846.
10.Lee, T. S., Chiu, C. C., Lu, C. J., and Chen, I. F. (2002), Credit scoring using the hybrid neural discriminant technique , Expert Systems with Applications, 23(3) , pp. 245-254.
11.Ohlson, J. A. (1980), Financial ratios and the probabilistic prediction of bankruptcy , Journal of Accounting Research, Vol.18 (1), pp. 109-131.
12.Odom, M. D. (1990), A neural network model for bankruptcy prediction, International Joint Conference Neural Networks, 2, pp. 163-168.
13.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(1), pp. 127-135
14.Shumway, T., (2001), Forecasting bankruptcy more accurately: a simple hazard model, Journal of Business, 74(1), pp.101-124.
15.Sim J, Wright CC., (2005), The kappa statistic in reliability studies: use, interpretation, and sample size requirements. Physical Therapy, 85, pp. 257-268.
16.Tang, T. C. and Chi, L. C., (2005), Neural networks analysis in business failure prediction of Chinese importers: a between-countries approach, Expert Systems with Applications, 29(2), pp. 244-255.
17.Tsai, C. F., (2009), Feature selection in bankruptcy prediction, Knowledge- Based Systems, 22(2), pp. 120-127.
18.Tseng, F. M., Hu, Y. C., (2010), Comparing four bankruptcy prediction models: logit, quadratic interval logit, neural and fuzzy neural networks, Expert Systems with Applications, 37(3), pp. 1846-1853.
19.West, D., (2000), Neural network credit scoring models, Computers and Operations Research, 27(11-12), p p. 1131-1152.
20.Witten, I. H., and Frank, E., (2000), Data mining: practical machine learning tools and techniques with java implementations, San Francisco: Morgan Kaufmann.
21.Witten, I. H., and Frank, E., (2005), Data Mining: Practical machine learning tools and techniques (2nd ed.). San Francisco: Morgan Kaufmann.