企業的信用風險評估是綜合企業營運狀況、市場表現、市場參與者的看法所形成的指標，當指標越低表示公司越安全，相反地，指標越高公司越不安全，經由這些指標可以讓金融機構信用管理部門更清楚明白公司的好壞。然而，許多企業掩飾自身真實財務情況，向金融機構籌措資金，當籌措到資金後惡意倒閉或違約，讓金融機構承受相當大的損失。因此，如何有效預測上市櫃公司企業信用風險，已成為金融機構信用管理部門的研究課題之一。
本研究主旨在於使用文本分析、關鍵查核事項與深度神經網路來預測上市櫃企業信用風險，以利金融機構信用部門在決策判斷上能避免掉損失，降低公司虧損之可能。針對上述目的，本研究主要研究項目包含：（i） 企業信用風險預測流程設計，（ii） 企業信用風險預測發展方法，（iii） 企業信用風險預測方法之驗證與評估。

The comprehensive operating conditions, market performance, and the opinions of market participants create the credit risk assessment of a company. When the risk indicator is lower, the company is more secure. On the other hand, the higher the risk indicator is, the company is insecure. The department of credit management in financial institutions can provide a better understanding of a company’s quality by using these risk indicators. However, many companies cover up their actual financial status and raise funds from financial institutions. After receiving those funds, the companies breach the contract and make it fraudulent bankruptcy, which causes a lot of financial institutions to bear considerable losses. Thus, the effective way of how to predict the credit risk of listed companies has become one of the research topics for the credit management department of financial institutions.
The main purpose of this research is to use text analysis, key audit matter and deep neural networks to predict the credit risk of listed companies, so that the credit department of financial institutions can avoid losses in decision-making and reduce the possibility of company losses. For the purposes above, the main items of this research include:（i） The process design of forecasting corporate credit risk, （ii） The development method of forecasting corporate credit risk, （iii） The method verification and evaluation of forecasting corporate credit risk.

目錄
中文摘要 i
英文摘要 ii
致 謝 iii
圖 目 錄 vi
表 目 錄 vii
壹、 序論 1
一、 研究動機與背景 1
二、 研究目的與架構 3
貳、 文獻探討 4
一、 關鍵查核事項 4
二、 企業信用風險 5
三、 文本分析 7
四、 分類器模型 8
(一)、 隨機森林（Random Forest） 8
(二)、 K-近鄰演算法（K-Nearest Neighbor，KNN） 9
(三)、 支援向量機（Support Vector Machine, SVM） 10
(四)、 循環神經網路（Recurrent Neural Networks, RNN） 11
(五)、 深度神經網路（Deep Neural Networks, DNN） 13
參、 應用關鍵查核事項預測上市櫃企業信用風險之流程設計 14
一、 特徵樣式建立 14
二、 企業信用風險預測 15
肆、 應用關鍵查核事項預測上市櫃企業信用風險之方法發展 17
一、 關鍵查核事項資料前處理 17
二、 字詞重組 18
三、 負評分析 20
四、 關鍵查核事項之類別特徵架構建立 20
五、 企業信用風險資料擷取 22
六、 企業信用風險標註 23
七、 特徵樣式建立 23
八、 企業信用風險預測 25
伍、 應用關鍵查核事項預測上市櫃企業信用風險之方法驗證與評估 30
一、 方法驗證 30
二、 分類器評估與其他分類器比較 42
陸、 結論與建議 44
參 考 文 獻 46

[1]公開資訊觀測站，https://mops.twse.com.tw/mops/web/index
[2]王姿分，2018，信用評等、企業社會責任與債務資金成本的關聯性，國立成功大學，碩士論文。
[3]白紫璇，2018，會計師查核報告中關鍵查核事項對市場之影響，國立中興大學，碩士論文。
[4]任立斌，2018，應用特徵選取進行股價預測與獲利可能性之研究，國立中興大學，碩士論文。
[5]朱晏嬅，2008，應用最鄰近區域分類法於慢性病分類預警準則之研究，私立元智大學，碩士論文。
[6]吳肇銘，金志聿，蔡毓霖，2019，“運用文字探勘於教學評鑑分析之研究－以中原大學資管系課程為例”，商管科技季刊，20卷，4期，頁437-468。12月。
[7]巫鑫，2016，“因應新式會計師查核報告－上市櫃公司辦理105年度決算最新實務”，會計研究月刊，373期，頁76-81，12月1日。
[8]辛祐任，2019，探討DNN、CNN和CapsNet於高混合度之中文母音辨識，國立中興大學，碩士論文。
[9]邱昱雯，2019，自然語言處理之專利分析研究，國立臺北科技大學，碩士論文。
[10]段宇娟，2020，應用關鍵查核事項偵測公司營運風險，國立中正大學，碩士論文。
[11]馬瑞貽，2020，基於循環神經網路的風力風速歷時資料預測模型，淡江大學，碩士論文。
[12]張烱明，2018，企業信用評等與社會責任對授信品質影響之研究，國立中興大學，碩士論文。
[13]莊翊萱，2020，公司特質與關鍵查核事項揭露之關聯性，國立高雄科技大學，碩士論文。
[14]許永聲，陳俊合，曾奕菱，2013，“企業社會責任與信用風險評等”，會計學報，5卷，1期，頁1-26，11月。
[15]許智宇，2010，整合KMV模型、約略集合及隨機森林應用於企業信用評等之研究，國立臺北科技大學，碩士論文。
[16]陳益軒，2013，以決策樹為基礎之支援向量機模型於信用評等之研究，國立暨南國際大學，碩士論文。
[17]陳博文，2011，結合支援向量機與粒子群最佳化探索臺灣股市預測模式，國立臺北科技大學，碩士論文。
[18]童聰進，2006，銀行信用風險額度控管資訊系統之探討，國立臺灣大學，碩士論文。
[19]黃聖翔，2011，TFIDF與熵值法在支援向量機上分類評估－以統計試題為例，國立臺北科技大學，碩士論文。
[20]楊植翔，2016，三連發聲特徵與多輸入多目標之深層類神經網路，國立臺灣大學，碩士論文。
[21]鄒明城，韓慧林，邱景星，2010，“網頁地理資訊檢索與探勘－以民宿主題為例”，資訊管理學報，17卷，3期，頁19-44，10月。
[22]臺灣經濟新報，https://www.tej.com.tw
[23]蔡明哲，2012，應用於年齡識別之生物智能演算法輔助多重分類器，國立高雄應用科技大學，碩士論文。
[24]鄭政宇，2019，集團企業委任不同會計師事務所之會計師查核－對關鍵查核事項及盈餘管理之影響，國立中興大學，碩士論文。
[25]謝宗哲，2018，基於深度學習循環類神經結合注意力機制建立語言模型，國立臺中科技大學，碩士論文。
[26]蘇裕惠，李冠儒，2020，“關鍵查核事項的揭露數量對盈餘資訊內涵的影響”， 會計審計論叢，10卷，1期，頁1-38，6月1日。
[27]Bengio, Y., Courville, A. & Vincent, P., 2013, “Representation Learning： A Review and New Perspectives.”, IEEE Transactions on Software Engineering, Vol. 35, No. 8, pp. 1798-1828, March.
[28]Breiman, L., 2011, “Random forests.”, Machine Learning, Vol. 45, pp. 5-32, October.
[29]Chen, Y.J., Liou, W.C., Chen, Y.M., Wu, J.H., 2019, “Fraud detection for financial statements of business groups.”, International Journal of Accounting Information Systems, vol. 32, pp. 1-23, March.
[30]Chen, Y.J., Wu, C.Y., 2021, “Predicting a corporate financial crisis using letters to shareholders.”, Soft Computing, vol. 25, pp. 3623-3636, November.
[31]Chinese Knowledge Information Processing Group. http://ckipsvr.iis.sinica.edu.tw/
[32]Cortes, C., Vapnik, V., 1995, “Support-Vector Networks.”, Machine Language, Vol. 20, No. 3, September.
[33]Cover, T., Hart, P., 1967, “Nearest neighbor pattern classification.”, IEEE Transactions on Information Theory, Vol. 13, No. 1, pp. 21-27, January.
[34]Elman, J.L., 1990, “Finding structure in time.”, Cognitive Science, Vol. 14, No. 2, April–June.
[35]Golbayani, P., Florescu, I. & Chatterjee, R., 2020, “A comparative study of forecasting corporate credit ratings using neural networks, support vector machines, and decision trees.”, The North American Journal of Economics and Finance, Vol. 54, 101251, November.
[36]Hsieh, F., Turnbull, B. 1996, “Nonparametric and semiparametric estimation of the receiver operating characteristic curve.”, The Annals of Statistics, Vol. 24, No. 1, pp. 25-40, February.
[37]Hsu, F.J., Chen, M.Y. Chen, Y.C., 2018, “The human-like intelligence with bio-inspired computing approach for credit ratings prediction.”, Neurocomputing, Vol. 279, pp. 11-18, March.
[38]Huang, Z., Chen, H.C., Hsu, C.J., Chen, W.H., Wu, S.S., 2004, “Credit rating analysis with support vector machines and neural networks： a market comparative study.”, Decision Support Systems, Vol. 37, No. 4, pp. 543-558, September.
[39]Kim, K.J., Ahn, H., 2012, “A corporate credit rating model using multi-class support vector machines with an ordinal pairwise partitioning approach.”, Computers & Operations Research, Vol. 39, No. 8, pp. 1800-1811, August.
[40]Li, J.P., Mirza, N., Rahat, B., Xiong, D.,2020, “Machine learning and credit ratings prediction in the age of fourth industrial revolution.”, Technological Forecasting and Social Change, Vol. 161, 120309, December.
[41]Wang, G., Ma, J., 2011, “Study of corporate credit risk prediction based on integrating boosting and random subspace.”, Expert Systems with Applications, Vol. 38, No. 11, pp. 13871-13878, October.
[42]Wang, M., Ku, H., 2021, “Utilizing historical data for corporate credit rating assessment.”, Expert Systems with Applications, Vol. 165, 113925, March.
[43]Werbos, P.J., 1974, “Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences”, PhD thesis, Harvard University.
[44]Zhong, H., Miao, C., Shen, Z., Feng, Y., 2014, “Comparing the learning effectiveness of BP, ELM, I-ELM, and SVM for corporate credit ratings.”, Neurocomputing, Vol. 128, pp. 285-295, March.
[45]Zhu, Y., Zhou, L., Xie, C., Wang, G.J., Nguyen, T.V., 2019, “Forecasting SMEs' credit risk in supply chain finance with an enhanced hybrid ensemble machine learning approach.”, International Journal of Production Economics, Vol. 211, pp. 22-23, May.