人工智慧

1990 年後由於電腦運算能力提升，許多人工智慧技術逐漸應用在企業財 務危機之預測上，而相較於統計方法，採用人工智慧於企業財務危機預測的表 現較佳，本節從過去文獻中就分類器之特性及財務變數之特徵進行探討，並冀 望找出適用之財務危機預測模型。

Coats 與 Fant (1993)利用類神經網路及多變量區別分析進行財務危機企 業之預測，然而多變量區別分析仍有諸多的限制存在，像是輸入之財務變數必 需滿足線性可分割(linearly separable)及變數間不允許有 相依性(Dependency)存 在，而資料來源選自S&P’s compustat 資料庫，樣本資料為 1970 至 1989 年，

其中94 家危機企業與 188 家正常企業 ，以 1:2 進行配對，採用變數為Altman 所建立的Z-Score模型，分別為運用營運資金/總資產、保留盈餘/總資產、稅前 息前盈餘/總資產、股東權益市值/總負債及銷貨收入/總資產，所採用的變數進 行分析，分別將資料利用類神經網路(ANN)及多變量區別分析進行比較，最後 研究結果顯示以類神經網路表現較多變量區別分析佳。

Chaveesuk, Srivaree-ratana, 與Smith (1999)探討 倒傳遞類神經網路 (Back-propagation Neural Network)、徑向基網路(Radial Basis Function Networks)、學習式量化網路(Learning Vector Quantization)及羅吉斯迴歸

(Logistic Regression)對美國公司債進行評等，資料來源以S&P 受評之公司債期 間為1996 年至 1997 年，訓練集是從 1996 年中，以隨機選取找出AAA至B級 公司債券共60 家，而實證資料集是以 1997 年隨機選取之 30 間公司債，其目 的是希望找出最佳之預測模型，研究結果顯示，共選擇九個財務變數，分別為 銷貨收入/總資產、總負債/總資產、總資產、總負債、長期負債/投入資本、短 期負債/投入資本、流動資產/流動負債、稅前息前純益/利息費用及稅後淨利/

銷貨收入，以倒傳遞神經網路分類之準確較羅吉斯迴歸佳。

Min 與 Lee(2005)利用支援向量機進行財務危機之預測，研究認為核函數 參數是影響財務危機預測的一大因素，其樣本選自韓國最大信用擔保組織

（Korea Credit Guarantee Organiation）以小型及中型企業為研究對像，資料期 間為2000 至 2002 年其選擇的樣本共有 1888 家企業，正常及財務危機公司各 944 家，並以逐步迴歸(stepwise logistic regression)進行特徵選擇，共選出經常

14

利益/股東權益、變動成本/銷貨收入、利息費用/(長期借款+公司債)、利息費 用/銷貨收入、損益平衡/銷貨收入、股東權益/總資產、營運現金流量/短期借 款、固定資產/股東權益、銷貨收入/股本總額、銷貨收入/營業資產及銷貨收入 /固定資產做為預測之財務變數，再以 5 折交叉進行驗證，研究結果發現：

一、最佳之邊界值C=

2

γ

2

二、實證結果以核函數以Polynomial nernel 的 83.86%為最佳，但因實證 結果與RBF 相比僅成長 0.08%，而在核參數（Hyperparameters）的設 定上較RBF 多，且當自由度(degree)過大時可能有

∞

γ

（overfitting）問題，因此研究最後建議採用 SVM 之 RBF 做為核函數 的轉換。

三、相較於MDA、Logistic Regression，實驗結果 SVM 預測能力較佳。

Huang et al.(2004)試圖利用 SVM 和類神經網路以美國及台灣之債券信用 評等進行市場研究，台灣的資料來源選自中華信用評等公司；期間以1998 至 2002 年間的 24 家金融機構為主，共收集了 74 個樣本，包含了 AAA 至 BB 及 評等並採用了21 項財務變數；美國之資料期間為 1991 至 2000 年之 36 家商 業銀行，共有265 個樣本及 21 個財務比率含 AA 至 B 級評等，並進行評等預 測。研究結果顯示：

一、使用SVM 及類神經網路在美國與台灣的債券評等上約可取得 80%的 預測準確率，整體而言以SVM 較類神經網路佳。

二、兩市場使用相同的財務變數進行財務預測，其研究顯示在財務變數的 選擇上，會因素市場而有所差異。

Hung 與 Chen(2009)以決策樹、支援向量機及類神經網路以期望機率為 基礎的多專家模型進行破產預測，資料來源選自Wieslaw 期間為 1997 至 2001 年間發生破產的56 家企業及 64 家正常企業，收集連續兩年的資料，共 240 筆資料中包含了30 項財務比率，並以區別分析進行特徵選擇，最後選出 14 個財務比率分別為稅前息前盈餘/總資產、銷貨收入/總資產、現金/總資產、營 運資金/銷貨收入、銷貨收入/存貨、銷貨收入/應收帳款、銷貨收入/流動資產、

365*應收帳款/銷貨收入、流動負債/總收入、總負債/總收入、總負債/股東權

15

益、流動負債/股東權益及流動資產/銷貨收入，而實證結果顯示整體而言以期 望機率之集成學習72.5%之預測準確度較佳。但值得一提的是雖然多分類器的 集成學習融合了多方之優點，但同時接受了所有缺點，所以利用多分類器學 習，未必能獲得較佳之預測效果。

Tsai(2009)比較五種進行危機預測之特徵選擇的方法，在特徵選擇議題上 從過去文獻利用資料探勘常用的T 檢定（T-test）、相關係數矩陣（correlation matrix）、逐步迴歸法(stepwise)、主成份分析(Principal Component Analysis, PCA) 及因素分析 (Factor Analysis)五種特徵選擇，資料集分別取自五個國家之企業 評等及破產樣本，並運用倒傳遞類神經網路進行預測，研究結果顯示：

一、T-test 進行特徵選擇其準確率最高，且發生 TypeⅠ及 Type Ⅱ機率最低。

二、特徵選擇的方法，可有效增加預測之能力。

根據以上所探討之文獻，包含了樣本選擇、產業及總體經濟因素、分類 之統計及人工智慧方法、特徵選擇之方式，本研究獲得以下結論：

一、 在企業財務危機的認定上，國內外學者並沒有一致性的定義，因此本研 究認定之標準係以台灣經濟新報所認定之實質財務危機事件、準財務危 機及法定之危機事件認定為依據。

二、 人工智慧是近年來常見的財務危機預測工具，而統計方法有逐漸被取代 的趨勢，然而羅吉斯迴歸仍有不錯之預測能力，因此本研究在分類方法 的選擇，仍會將羅吉斯迴歸列入考量，以實證方式比較各分類之結果。

三、 本研究在樣本配對的比例將沿用(陳肇榮，1983)以正常公司及危機公司 1:1 方式進行配對。

四、 本研究發現(Altman, 1968)所建的 Z-Score 經常被後續學者運用於研究模 型中，且具有顯著性的影響，因此本研究將Z-Score 視為財務變數之一。

而從(Huang, Chen, Hsu, Chen, & Wu, 2004)的研究中發現信用評等為過 去用來衡量企業的重要指標，加上能有效提升財務之預測能力，因此本 研究視信用評等為重要之財務變數之一。

五、 在變數的選擇上，本研究整理了以上所討論之財務變數如表2-7 所示(完 整文獻財務變數彙整請參照附錄1)，Huang 等(2004)研究發現相同的財 務變數會因為國別的不同， 排序則有所差異；加上每個研究之基本考

16

量不同，而產業因素或經濟經濟因素也會影響到財務變數的重要性，因 此本研究在變數的考量不僅以過去的文獻作為變數選擇的依據，另外加 入財務的五大構面及成長指標共57 個財務比率作為本研究之財務變 數。

六、 近幾年集成學習(Ensemble Learning)於財務預測上亦有諸多研究，研究 數據顯示多分類器其預測效果並沒有顯著提升，原因在於集成學習不僅 中常見的特徵選擇工具SVM Attribute 及主成份分析進行比較，以找出 最適之特徵選擇之工具。

(Merkevicius & Girdzijauskas, 2006)

具學習及

(Joachims, 1998; Cristiamini, 2000)

適用於樣

17

18

365*應收帳款/銷貨收入 ●

流動負債/總收入 ●

總負債/總收入 ●

總負債/股東權益 ●

流動負債/股東權益 ●

流動資產/銷貨收入 ●

營業淨利率 ●

股東權益+長期負債/固定資產 ●

資產報酬率 ●

股東權益報酬率 ●

營運收入/資本(Operating

incom/recived capitals) ● 稅前淨利/資本(net income before tax /

recived capitals) ●

淨利/銷貨收入 ●

每股市價/每股股利 ●

銷貨毛利率 ●

稅前淨利/銷貨收入 ●

(營運現金流量+現金股利)

/(固定資產+其它資產+營運資金) ●

資料來源：本研究整理

19

主成份分析是由Karl Pearson 於 1901 年提出，再由 Hotelling 發展而成，主成 份分析目的在於找出一個新的變數集合(丁一賢、陳牧言，2005)其所選出的第一個