第三期研究計畫

先前二年之計畫已建構一個適用於營造廠商之財務信用評等分 類模式，並針對使用之方法論 BP，進行輸出值正確率之改善。然而，

由於各家營造廠商之財務體質各異，相同信用等級公司之財務因子變 動勢必難以避免，此時，一個分類一般性(generalization)較佳之方法 將較倒傳遞類神經網路更為適用於營造廠商之財務信用評等分類。因 此，本研究以 Double Backpropagation 取代先前研究中之倒傳遞類神 經網路，進行營造廠商財務信用評等分類模式之改善，冀以增進分類 模式之績效，提供業主更確實之資訊。

3.3.1 模式建構

本研究依據前述之 Double Backpropagation 來取代原先使用之倒 傳遞類神經模式，重新建立營造廠商之信用評等分類模式。訓練資料 仍利用第一期計畫以 SOM 網路將 83 至 87 年間研究樣本中，聚類完 成之無信用不良記錄營造廠商信用群集，共聚類為兩等級：A 級（信 用良好）與 B 級（信用普通，但無信用不良記錄），同時將資料樣本 中 有 信 用 不 良 記 錄 的 營 造 廠 商 評 為 C 級 。 接 著 ， 以 Double Backpropagation 來學習信用等級的判定規則。與倒傳遞類神經網路相 同，Double Backpropagation 亦屬監督式學習網路，因此對本期研究 而言，輸入變數係樣本廠商的財務資料，輸出變數亦為該廠商於第一 期計畫中由 SOM 模式所賦予之信用等級。此外，本期研究之信用評 等分類模式係以 Matlab 6.5(R13)撰寫而成，並在 P4 之處理器，256 mb ram，Win XP 之環境下進行訓練。

一、信用評等分類模式之訓練架構

建構本模型的目的在於學習營造廠商當年財務資料與當年信用 等級之間的對應規則；當對應規則學習完成之後，爾後在實際判別廠 商信用等級時，就不用再經過 Double Backpropagation 中的映射網 路，只要輸入本模型所需的財務變數即可進行判定，因此模式之訓練 架構有別於模式之測試架構，模式之訓練架構可以圖 3-6 來表示，虛 線下之原網路架構與第一期之研究相同，採用的輸入變數亦為第一期 所篩選出的 12 項財務比率，故輸入層有 12 個神經元；隱藏層則有三 層，依序各有 8、12，及 8 個神經元；原網路之輸出層包含三個神經 元，當信用等級為 A 時，輸出值為（1，0，0）、信用等級為 B 時，

輸出值為（0，1，0）、信用等級為 C 時，輸出值為（0，0，1）。

映射網路之架構則完全與原網路相反，輸入層為三個神經元，另 外各有一個目標輸出(desired output)與之連結；隱藏層之數目同樣地 為三個，依序亦為 8、12，及 8 個神經元，輸出層則有 12 個神經元，

網路之輸出則為各原輸入對前向能量函數之 derivative。

二、信用評等分類模式之測試架構

當模式訓練完畢後，映射網路即可從總網路中刪去，此時剩下即 為與一般無異之網路，網路架構如圖 3-7 並簡述如下：輸入層有 12 個神經元；隱藏層則有三層，依序各有 8、12，及 8 個神經元；輸出 層為三個神經元，當時，以輸出值（1，0，0）代表信用等級 A，時，

以輸出值（0，1，0）代表信用等級 B，以輸出值（0，0，1）代表信 用等級 C。

3.3.2 結果分析與探討

一、信用評等分類模式之訓練結果

本期研究中用以訓練及測試之資料，其樣本數詳表3-9，網路之 網路架構與參數項目則如表3-10。模式之訓練結果詳表3-11之上半 部，由表3-11中可明顯看出，Double Backpropagation之效果並不如原 先所預期，其測試之最佳總錯率為6.875%，相較於傳統之倒傳遞類神 經網路可收歛至僅有5.625%之總錯率，Double Backpropagation之訓練 結果稍遜於傳統之倒傳遞類神經網路。在訓練時間方面，Double Backpropagation每一循環之訓練，均包含兩次的倒傳遞過程，且傳遞 長度為原先倒傳遞類神經網路之3倍，因此訓練過程所耗費之時間亦 明顯地較傳統類神經網路為長，由表3-11之下方可知，同樣訓練50 次，Double Backpropagation模式即需要傳統倒傳遞類神經網路兩倍之

Backpropagation之收歛過程，在傳統倒傳遞類神經網路之訓練過程 中，其總錯率持續地不斷降低，直到訓練次數達預定次數為止，然而，

Double Backpropagation之訓練過程中，其總錯率之下降趨勢較緩，且 總錯率之變動程度較大。

二、信用評等分類模式之測試結果

訓練後之測試結果如表3-11下半部所示，傳統倒傳遞類神經網路 之測試正確率為89.655%，與第一期研究中之模式測試結果相去不遠 (87.27%)。經探討後發現，分類結果錯誤均為訓練資料較少之信用等 級C。然而，Double Backpropagation之測試結果卻不遜於傳統倒傳遞 網路，其測試正確率同樣為高達89.655%，在訓練結果不如傳統倒傳 遞網路之前題下，Double Backpropagation之測試結果卻與傳統倒傳遞 網路相同，顯見以Double Backpropagation訓練而得之規則的一般性較 佳。

3.3.3 計畫成果自評

本研究第三期計畫旨在擴充前二期所建立之營造公司信用評等 模 式 之 一 般 性 ， 因 此 以 營 造 廠 商 的 財 務 資 料 ， 配 合 Double Backpropagation 之技術建構出專適用於國內甲級營造廠商的信用評 等分類模型，模型推論的廠商信用等級可以於審查投標廠商資格時提 供業主一項重要的參考資訊，以減少財務信用不良廠商參與投標的機 會。分類模型的訓練正確率為 93.125%，測試正確率為 89.655%，對 於正常運作且提供真實財務資料的廠商可以推論出可靠的當年信用 等級，業主可據以做為資格審查時之重要資訊。

此外，在結果中可看出，Double Backpropagation 之收歛過程較 不理想，本研究尚有使用其他參數進行訓練，Double Backpropagation

在某些參數設定下甚至沒有收歛之趨勢，其總錯率在訓練過程中沒有 明顯之下降跡象，此現象推測係源於 Double Backpropagation 之演算 法：Double Backpropagation 係同時對前向能量函數及後向能量函數 進行最小化之動作，調整時，以各一次之調整值之總和進行權重及偏 權值之更新。然而，前向能量函數之目的在於最小化實際輸出與目標 輸出間之差距，後向能量函數之目的則在於最小化輸入值對輸出值之 影響，因此，將不同能量函數進行最小化之調整值直接加總，是否產 生反效果？反而造成網路收歛之困難?有必要再深入探討之。

因此，本研究所建構的信用評等模型，仍有值得後續研究繼續探 討之處，相較於傳統倒傳遞類神經網路，Double Backpropagation 之 訓練過程所需之運算能量(computation effort)較多，且訓練結果並不穩 定，雖然在本研究中測試結果尚佳，由於其績效影響分類結果甚鉅，

因此，關於如何改善 Double Backpropagation 之績效仍值得後續研究 探討。