以類神經網路建構產業別預警模型

本實證研究資料主要來自於『台灣經濟新報』資料庫，這是由於『台灣經 濟新報』是各家資料庫廠商中資訊更新最快的廠商，由此資料庫收集而來的資料 具有足夠的公信力。此外，此資料庫經由學校圖書館購買，在校園中可便利的使 用，也是使用此資料庫的原因。

本研究所提出之產業別財務預警模型共有八個步驟，以下就以實際資料解 說此八個步驟。

步驟一：界定產業別的範圍

本研究將以『產業分類股價指數』中的『電子業』與『營造業』為範例，

進行本研究方法的實證研究。選擇電子業乃是因為電子類股成交值佔集中市場成 交值七成以上，市場上的資金主要集結在電子類股身上，故電子類股的股價波 動，儼然已影響了整個大盤的走勢。選擇營造業乃是希望藉由另一個產業再次進 行驗證，然而有些產業危機公司樣本數過少難以驗證，觀察各產業別資料後，營 造業之樣本數雖少於電子業，但尚可進行分析。

步驟二：於產業別中收集樣本公司

危機公司資料可由台灣新報資料庫中取得，而配對之正常公司選擇之原則

在於發生危機發生的時間點下營收規模類似的企業，或是生產產品類似之公司。

(1999/04/01) 明碁 2352

4 2326 亞瑟 跳票擠兌 (2001/12/21) 欣技 6160

表 4.2：造業之危機公司與配對之正常公司

2. 蒐集資訊成本較小者：模型的建立主要是希望能成為一例行性檢查的工具，

（呈上頁）

步驟四：收集與整理研究變數

在經濟新報與公開資訊觀測站中都可以很輕易的找到危機公司與正常公司 在各時間點下的財務數據，表 4.4 與 4.5 分別代表電子業與營造業危機發生前一 季之實證資料。

表 4.4:電子業危機發生前一季之實證資料

因變數 流動比率X1 速動比率X2 … 營運活動之現金流 量對總負債比 X18 國勝 1 138.31 60.36 … 0.03 佳錄 1 118.3 88.74 … 0.02

… … … … … …

神達 0 250.43 210.05 … 0.21 東訊 0 140.3 73.48 … 0.02

表 4.5:營造業危機發生前一季之實證資料

因變數 流動比率X1 速動比率X2 … 營運活動之現金流 量對總負債比 X18 建台 1 99.15 43.25 … 0.07 太設 1 125.74 15.45 … -0.01

… … … … … …

冠德 0 159.35 2.27 … -0.05 太子 0 185.45 8.2 … -0.16

在整理資料之同時有發現自變數『利息保障倍數 X3』在某幾筆資料中是遺 漏值（missing data），這是由於當期財務數據中利息支出為 0 之緣故，因此將 有遺漏值之資料個案予以刪除。另外也有一些資料是因為過於接近危機時間而結 束營業的事業，導致有些時間點並無財報數據，亦當成遺漏值而刪除資料個案。

步驟五：設定倒傳遞類神經網路模型之參數

依據本研究的因變數與自變數個數，本研究決定將三個倒傳遞類神經網路

模型之參數設定如下：

( 1 )隱藏層之層數：由無隱藏層網路架構開始，依照分類結果調整為一層或兩 層網路架構。

( 2 )隱藏層之節點數：（輸入層節點數＋輸出層節點數）/ 2＝7.5，以 7 或 8 個 節點數測試。

( 3 )學習速率：設定為 0.5。

步驟六：訓練類神經網路

將步驟四之實證資料與步驟五的參數設定輸入類神經網路軟體，以資料訓 練類神經網路模型直到均方差（MSE ,mean squared error）收斂為止。

步驟七：以交叉驗證模型分析正確預測率

以本研究資料完成的實證結果，電子業與營造業交叉驗證模型正確預測率 彙整如表 4.6 與表 4.7 所示。

表 4.6:電子業財務危機正確預測率分析

表 4.7:營造業財務危機正確預測率分析

0.00 20.00 40.00 60.00 80.00 100.00

交叉驗證正確判斷率(%)

電子業 營造業

電子業 95.74 96.15 94.34 90.38 88.46 營造業 80.00 71.43 75.76 58.06 45.45 前一季 前二季 前三季 前四季 前五季

圖 4.1:電子業與營造業之交差驗證正確判斷率趨勢圖

由圖 4.1 可發現下列事項：

（1） 不論電子業或營造業，當距離危機時間點越近，正確判斷率越高；反之，

當距離危機時間點越遠，正確判斷率越低。

（2） 電子業的正確判斷率在各時間點上皆高於營造業。

（3） 營造業在財務危機前四季與前五季的正確判斷率並不理想，皆低於 1.25 倍之 Cpro 值（62.5%），第五季甚至比亂猜還差，因此倒傳遞類神經網路 在營造業財務危機的預測上並不理想。

步驟八：預測企業財務危機

將所有樣本皆視為訓練樣本，建立各時間點下的類神經網路模型，再收集 欲分析企業之最新之財務數據，輸入類神經網路運算之後，既可得到輸出值，此 輸出值與 0.5 比較，大於 0.5 判斷為危機公司，小於 0.5 判斷為正常公司，表 4.8 與 4.9 分別以電子業和營造業財務危機前一季為例，在 2006 年 12 月預測企 業是否面臨財務危機。

表 4.8:以類神經網路預測電子業中各企業是否面臨財務危機

（2006/12）

流動比率X1 速動比率X2 …

（2006/12）

流動比率X1 速動比率X2 …

表 4.10:電子業財務危機企業預測（2006 年 12 月 31 日財務數據為基準）

表 4.11:營造業財務危機企業預測（2006 年 12 月財務數據為基準）

表 4.12:危機企業 2007 年新聞整理

註：全額交割股查詢時間：2007/5/16