國內外企業破產事件頻傳，財務危機預測與企業破產的相關研究，一直是國內外學者所關心的議題，近期學者運用了各種人工智慧方法建構危機預測模型。但為建構適合台灣地區企業財務危機預警模型和比較各種危機預測方法之準確性與穩定性，本研究以台灣上市櫃公司財務比率資料，分別以區別分析法（Multiple Discriminate Analysis，MDA）、羅吉斯法（Logistic regression model，Logit ）、倒傳遞類神經法（Back-Propagation Network，BPN）、支向機（Support Vector Machine, SVM）、基因支向機（Genetic Algorithms-Support Vector Machine , GA-SVM）及人工免疫系統法（Artificial Immune Systems，AIS）六個方法來建構財務危機預警模型，期望找出最適合台灣上市櫃公司的財務危機預警模型。本研究將樣本區分為訓練與測試樣本。將88年至93年之樣本作為訓練樣本，以建立預測模型； 94年至96年之樣本作為測試樣本，以檢驗訓練樣本預測的準確度與模型的穩定度。
研究結果發現（1）人工免疫系統法的參數初始ARB值為 6、親和力門檻值為1.5、學習循環設定為 300、衰退率為1%時，人工免疫系統法所建立的模型能夠建構最佳的預測能力；（2）本研究將人工免疫系統法的變數區分為二類型，第一類型使用全部變數投入，第二類型經由區別分析逐步迴歸方法所萃取顯著變數再進行人工免疫系統模式的分類，驗證二種不同類型的變數投入孰優孰劣。實證結果顯示，使用第二類型變數投入的AIS方法預測準確性及穩定性皆優於第一類型；（3）Izan (1984)、Platt & Platt (1990)及LH Lin (2002)利用產業平均值來建構穩定的財務危機模型，AIS模型之穩定性與前述學者相當接近；（4）在比較六種研究方法所建立的財務危機預警模型中，人工免疫系統法（AIS）的預測準確性優於區別分析法（MDA）、羅吉斯模型（Logit）及倒傳遞類神經法（BPN）；(5) 人工免疫系統（AIS）模型穩定度優於區別分析法（MDA）、羅吉斯模型（Logit）、倒傳遞類神經法（BPN）、支向機（SVM）及基因支向機（GA-SVM）。

A lot of bankruptcy incidents have happened. Therefore, financial distress prediction relevant research has been the popular subject which the scholar quite cares about both at home and abroad all the time. Recently, a lot of stud ties used artificial intelligence (AI) methods to set up the model. The aim of this study is try to use Multiple Discriminate Analysis, (MDA), Logistic regression model (Logit), Back-Propagation Network, (BPN), Support Service Machine (SVM), Genetic Algorithm-Support Service Machine (GA-SVM) and Artificial Immune Systems (AIS) to establish financial distress predictable model. For building up Taiwan bankruptcy prediction model, the data set is arbitrarily split into two subsets: about 2/3 of the data is used for a training set (1999 to 2004 ) and 1/3 for a validation set (from 2005 to 2007), comparing the prediction accuracy with the firms from 1999 to 2006 dataset.
The empirical findings from the research shows that (1) As initial ARB value setting up for 6, affinity threshold value setting up for 1.5, and study circulation setting up for 300, the prediction accuracy of the artificial immune system model is the best. (2) When using extract parameters in the artificial immune system model, the predictive accuracy and the stability will be better than using all parameters. (3) Izan (1984), Platt & Platt (1990), and LH Lin (2002) used Industry Relative Ratio to building stable failure prediction models. The stability of the AIS model is as well as theirs. (4) The predictive accuracy of the AIS model is better than BPN, Logit and MDA models, but less than SVM and GA-SVM. (5)The stability of the AIS model is better than MDA, Logit, BPN, SVM, and GA-SVM models.

目錄

目錄 …………………………………………………………………………………I
圖目錄………………………………………………………………………………IV
表目錄………………………………………………………………………………V
第一章 緒論…………………………………………………………………………1
第一節 研究背景與動機……………………………………………………… 1
第二節 研究目的……………………………………………………………… 3
第三節 研究架構……………………………………………………………… 5
第二章 文獻探討……………………………………………………………………7
第一節 傳統的統計方法……………………………………………………… 7
一、 多變量區別分析法（Multiple Discriminate Analysis, MDA）……7
二、 羅吉斯迴歸模型（Logistic Regression Model , Logit）…………8
第二節 類神經網路法（Neural Network,NN）……………………………10
一、 類神經網路法相關演進…………………………………………… 10
二、 運用類神經網路法於財務危機預警………………………………12
第三節 支向機（Support Vector Machine , SVM）……………………………16
一、 支向機相關演進…………………………………………………… 16
二、 運用支向機於財務危機預警………………………………………16
第四節 基因演算法（Genetic Algorithms , GA）……………………………20
一、 基因演算法相關演進………………………………………………20
二、 運用基因演算法於財務危機預警…………………………………20
第五節 人工免疫系統（Artificial Immune Systems , AIS）………………25
一、 人工免疫系統相關演進……………………………………………25
二、 運用人工免疫系統於財務危機預警………………………………26
第六節 產業相對比率（industry-relative ratio）……………………….27
一、 產業相對比率發展背景…………………………………………….27
二、 運用產業相對比率於財務危機預警模型………………………….27
第三章 研究方法……………………………………………………………………32
第一節 財務危機公司操作型定義……………………………………………32
第二節 研究樣本選取…………………………………………………………35
第三節 變數衡量………………………………………………………………39
第四節 研究方法………………………………………………………………41
一、 多變量區別分析法 （MDA ）………………………………………41
二、 羅吉斯迴歸模型 （Logit）…………………………………………41
三、 倒傳遞類神經網路 （BPN）…………………………………………42
四、 支向機 （SVM）………………………………………………………44
五、 基因支向機（GA-SVM）………………………………………………45
六、 人工免疫系統（AIS）……………………………………………….48
七、 產業相對比率（Industry-Relative Ratio）……………………50
第五節 研究假說………………………………………………………………51
第四章 實證結果分析………………………………………………………………51
第一節 敘述性統計、樣本常態性檢定與平均數檢定……………………….52
一、 敘述性統計…………………………………………………………52
二、 樣本常態性檢定（ K-S 檢定）…………………………………….52
三、 危機與正常公司平均數檢定（MW-U 檢定）…………………………53
第二節 區別分析實證分析結果………………………………………………55
一、 檢驗區別方法之兩項基本假設……………………………………55
二、 建構區別分析模型（MDA）………………………………………….55
三、 區別分析模型正確率之預測………………………………………56
第三節 羅吉斯迴歸模型實證分析結果………………………………………58
第四節 倒傳遞類神經網路實證分析結果……………………………………62
第五節 支向機實證分析結果…………………………………………………63
第六節 基因支向機實證分析結果……………………………………………65
第七節 人工免疫系統法實證分析結果………………………………………67
一、 以全部變數投入的人工免疫系統法……………………………… 67
二、 以區別分析逐步迴歸萃取變數再分類的人工免疫系統法……… 69
三、 與過去學者財務危機模型穩定度比較…………………………71
第八節 區別分析方法、羅吉思模型、倒傳遞網路法、支向機、基因支向機
及人工免疫系統法综合比較…………………………………………73
第五章 結論與建議………………………………………………………………. 76
第一節 研究結論………………………………………………………………76
第二節 研究限制及未來研究方向……………………………………………79
參考文獻……………………………………………………………………………81

參考文獻
一、中文部份：
（一）書籍類
1.王保進，多變量分析-套裝程式與資料分析，高等教育文化事業，民國93年。
2.林震岩，多變量分析—SPSS的操作與應用，智勝文化事業，民國95年。
（二）論文類
1.杜詩敏，「不同之類神經網路應用於企業財務危機預測模型之比較」，樹德科技大學金融保險研究所碩士論文，民國92。
2.邱志洲、簡德年、高淩菁，「演化式類神經網路在企業危機診斷上之應用—智慧資本指標的考量」，臺大管理論叢，第十四卷第二期，頁次1-22，民國95年6月。
3.李永新，「利用支援向量機衡量公司違約風險」，長庚大學企業管理研究所碩士論文，民國96年。
4.吳智鴻，「結合基因演算法最佳化「支持向量機」參數-財務危機上之應用」，台北大學企業管理研究所博士論文，民國92年。
5.洪信豪，「公開及非公開發行公司財務危機之比較 -使用MDA、Logit、BPN、SVM及GA-SVM」，元智大學會計研究所碩士論文，民國96年
6.馬誠韋，「解答多目標規劃的新方法-免疫系統法」，元智大學工業工程管理研究所碩士論文，民國91年。
7.陳肇榮，「運用財務比率預測企業財務危機之實證研究」，國立政治大學博士論文，民72年。
8.陳俊良，「財務危機預測模式穩定性之研究」，政大企管所碩士論文，民83年。
9.黃振豐、呂紹強，「企業危機預警模式之研究—以財務及非財務因素構建」，當代會計，第一卷第一期，民國89年11月。
10.黃劭彥、李超雄、洪光宏、吳東憲，「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，第十一卷第二期，頁次1-20，民國95年12月。
11.葉怡芳，「建構財務危機預警模式－支向機與羅吉斯之應用」，元智大學會計研究所碩士論文，民國92年。
12.湯竣評，「遺傳演算法結合支向機於財務危機預警模式之應用---以北美地區為例」，國立台北大學統計學研究所碩士論文，民國95年。
13.湯惠雯，馮淑敏，令狐雅萍，「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，第二卷第一期，頁次77-93，民國94年6月。
14.劉振遠，「建構台灣未上市公司財務危機之預測-支向機與GMDH模式之運用」，元智大學管理研究所碩士論文，民國94年。
15.劉易昌，「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，民國93。
16.廖海崴，「機率性類免疫分類演算法之設計及應用」，元智大學工業工程管理學系碩士論文，民國96年。
17.盧志興，「以COSO五大內部控制構面建構台灣企業內控危機預警模型」，元智大學會計學系研究所碩士論文，民國96年。
18.賴以建，「基因演算法、類神經網路及決策樹於財務危機預警模式之應用研究」，台北大學企業管理研究所碩士論文，民國91年。
（三）網站類
1. 證券暨期貨管理委員會相關法令規定及文件。http://www.sfi.org.tw。
2. 公開資訊觀測站。http://newmops.tse.com.tw。
3. 台灣經濟新報資料庫。http://www.tej.com.tw。

二、英文部分：
1. Altman, I.E. [1968], “Financial Ratios, Discriminant Analysis and the Predication of Corporate Bankruptcy,” Journal of finance, Vol.23, No.4, pp.589-609.
2. Altman et al. [ 1977], “Zeta analysis: a new model to identify bankruptcy risk of corporations,” Journal of Banking Finance, Vol.1, pp.29– 54.
3. Atiya, A.F. [2001], “Bankruptcy prediction for credit risk using neural networks: a survey and new results,” IEEE Transactions on neural networks, vol.12, issue 4, pp.929-935.
4. Coats, P.K. and L.F. Fant [1993], ”Recognizing Financial Distress Patterns Using a Neural Network Tool,” Financial Management, pp.142-55.
5. Hsieh, J.C., S.H. Chen, and P.C. Chang [2007], “Application of Artificial Immune System in Constructing a Financial Early Warning System An Example of Taiwanese Banking Industry,” IEEE ICICIC ''07, pp.183-183, Sept.
6. Izan, H. [1984], “Corporate Distress in Australia,” Journal of Banking and Finance, Volume 8, Issue 2, , Pages 303-320.
7. Timmis, J. and M. Neal [2001], “A resource limited artificial immune system for data analysis,” Knowledge-Based Systems, 14(3-4), pp.121-130.
8. Lin, L.H. [2002], “The Effect of Recession and Industry Variation on the Prediction of Company Failure”，The 2002 International Conference of Pacific Rim Management，August 1-3, 2002, Los Angeles, California, U.S.A.
9. Lensberg, T., A. Eilifsen, and T.E. McKee [2004], “Bankruptcy theory development and classification via genetic programming,” Journal of operational research, vol.20, pp.677-697.
10. De Castro L.N., F.J. Von Zuben, and H. Knidel (Eds.) [2007], “Bankruptcy prediction using artificial immune,” ICARIS 2007, LNCS 4628, pp.131–141.
11. Mensah, M.Yaw [1984], “An Examination of the Stationarity of Multivariate Bankruptcy Prediction Models: A Methodological Study,” Journal of Accounting Research, 22 (1): pp.380-395.
12. Min, J. and Y.C. Lee [2005], “Bankruptcy Prediction Using Support Vector Machine with Optimal Choice of Kernel Function Parameters,” Expert Systems with Applications, Vol.28, pp.603-614.
13. McKee, T.E. and T. Lensberg [2001], “Genetic programming and rough sets: A hybrid approach to bankruptcy classification,” Journal of operational research, vol.138, pp.436-451.
14. Platt, H. D. and M.B. Platt [1990], “Development of a class of Stable Predictive Variables: The Case of Bankruptcy Prediction,” Journal of Business Finance & Accounting.
14. Ohlson, J. A. [1980], “Financial Ratios and the Probabilistic Prediction of Bankruptcy,” Journal of Accounting Research, Vol.18, No.1, pp.109-131.
15. Odom, M.D. and R. Sharda [1990],” A neural network model for bankruptcy prediction,” IJCNN International Joint Conference (12): 163 – 168.
16. Shin, K.H., K.S. Lee, and H.J. Kim [2005], “An Application of Support Vector Machines in Bankruptcy Prediction Model,” Expert Systems with Applications, Vol.28, pp.127-135.
17. Wilson, R.L. and R. Sharda [1994], “Bankruptcy Prediction Using Neural Network,” Decision Support Systems, Vol.11 No.8: 545-557.