在本節將介紹兩種模型的預測結果，除了使用預測正確率外，亦使用 了誤差均方根 (Root-mean-square Error, RMSE)作為預測能力指標。誤差 均方根的求法如下式所示：
( )
N Y T RMSE
kk
∑
k −=
2
，
其中的T 為驗證組的實際目標值(即 0 或 1)，Y 則為預測目標值(非機率值
P )。此值愈小，代表的是模型的擬合程度或預測能力愈佳。
4.3.1 類神經網路模型預測結果
利用由建立組及修正組數據所訓練出來類神經網路模型，對驗證組進 行預測，本研究獲得三種年度模型的預測結果如下：
1.前一年模型的預測結果
前一年模型的預測正確率達到 84.85%，如【表 2】所示，66 家公司中 共有 56 家公司預測成功。實際上正常的 33 家公司中，被預測為正常的有 29 家，被錯認為危機的有 4 家；實際上危機的 33 家公司中，被預測為危 機的有 27 家，而被錯認為正常的有 6 家。此外，由模型的輸出結果，可以 獲得另一個預測能力指標－誤差均方根(Root-mean-square Error)，前一 年模型的誤差均方根為 0.409671。
表 2 類神經網路-前一年模型預測結果
預測結果
正常 危機 正確率 正
常 29 4 實
際 狀 況 危
機 6 27
84.85%
(56/66)
2.前二年模型的預測結果
前二年模型的預測正確率為 77.27%，如【表 3】所示，66 家公司中共 有 51 家預測成功。其中，實際上正常的 33 家公司中，被預測為正常的有 28 家，被錯認為危機的有 5 家；實際上危機的 33 家公司中，被預測為危 機的有 23 家，而被錯認為正常的有 10 家。此外，由模型的輸出結果，可 以獲得前一年模型的誤差均方根為 0.425003。
表 3 類神經網路-前二年模型預測結果
3.前三年模型的預測結果
前三年模型的預測正確率為 75.76%，如【表 4】所示，66 家公司中共 有 50 家預測成功。其中，實際上正常的 33 家公司中，被預測為正常的有 22 家，被錯認為危機的有 11 家；實際上危機的 33 家公司中，被預測為危 機的有 28 家，而被錯認為正常的有 5 家。此外，由模型的輸出結果，可以 獲得前一年模型的誤差均方根為 0.487909。
表 4 類神經網路-前三年模型預測結果
預測結果正常 危機 正確率 正
常 28 5 實
際 狀 況 危
機 10 23
77.27%
(51/66)
預測結果
正常 危機 正確率 正
常 22 11 實
際 狀 況 危
機 5 28
75.76%
(50/66)
4.3.2 羅吉斯迴歸模型預測結果
本研究利用逐步求解法，挑出重要變數且剔除不必要的變數，使得羅 吉斯迴歸模型成為最簡化的模式，各年度模型及其預測正確率分述如下：
1.前一年模型預測結果
搭配逐步求解法簡化後所獲得的前一年模型，可表示成迴歸式：
(
−16.8692)
−24.7339X11+28.7827X17=
Y
，其中，
X11：淨利對總資產比率
X ：總負債對總資產比率。
17在模型的解釋方面，由模型可知解釋變數「淨利對總資產比率」愈高，則 應變數值愈小，代表愈不會發生危機。而「總負債對總資產比率」愈高，
則應變數值愈大，代表愈容易發生危機，這兩者的解釋皆是合理的。此模 型的預測正確率為 83.33%，如【表 5】所示，66 家公司中共有 55 家預測 成功。其中，實際上正常的 33 家公司中，被預測為正常的有 25 家，被錯 認為危機的有 8 家；實際上危機的 33 家公司中，被預測為危機的有 30 家，
而被錯認為正常的有 3 家。此外，由模型的輸出結果，可以獲得前一年模 型的誤差均方根為 0.661998。
表 5 羅吉斯迴歸-前一年模型預測結果
預測結果
正常 危機 正確率 正
常 25 8 實
際 狀 況 危
機 3 30
83.33%
(55/66)
2.前二年模型預測結果
搭配逐步求解法簡化後所獲得的前二年模型，可表示成迴歸式：
(
-4.8733)
−28.4173X14−6.0778X16 +12.1022X17=
Y
，其中，
X14：營業利益對總資產比率
X ：長期負債對總資產比率
16X ：總負債對總資產比率。
17在模型的解釋方面，由模型可知解釋變數「營業利益對總資產比率」愈高，
則應變數值愈小，代表愈不會發生危機。而長期負債對總資產比率愈高，
則應變數值愈小，代表愈不會發生危機，可能長期負債較大表示隱含有較 佳的投資機會，獲得更高的利潤。而總負債對總資產比率愈高，則應變數 值愈大，代表愈易發生危機。此模型的預測正確率為 75.76%，如【表 6】
所示，66 家公司中共有 50 家預測成功。其中，實際上正常的 33 家公司中，
被預測為正常的有 25 家，被錯認為危機的有 8 家；實際上危機的 33 家公 司中，被預測為危機的有 25 家，而被錯認為正常的有 8 家。此外，由模型 的輸出結果，可以獲得前一年模型的誤差均方根為 0.705768。
表 6 羅吉斯迴歸-前二年模型預測結果
預測結果
正常 危機 正確率 正
常 25 8 實
際 狀 況 危
機 8 25
75.76%
(50/66)
3.前三年模型預測結果
搭配逐步求解法簡化後所獲得的前三年模型，可表示成迴歸式：
(
-2.0592)
−19.7299X11+5.0957X17=
Y
，其中，
X11：淨利對總資產比率
X ：總負債對總資產比率。
17此模型的預測正確率為 72.73%，如【表 7】所示，66 家公司中共有 48 家 預測成功。其中，實際上正常的 33 家公司中，被預測為正常的有 24 家，
被錯認為危機的有 9 家；實際上危機的 33 家公司中，被預測為危機的有 24 家，而被錯認為正常的有 9 家。此外，由模型的輸出結果，可以獲得前 一年模型的誤差均方根為 0.709954。
表 7 羅吉斯迴歸-前三年模型預測結果
預測結果
正常 危機 正確率 正
常 24 9 實
際 狀 況 危
機 9 24
72.73%
(48/66)
4.3.3 比較分析
比較兩模型的預測正確率，如【表 8】整理所示，利用倒傳遞學習法 的類神經網路模型，其預測正確率依年度而分，前一年至前三年模型分別 為：84.85%、77.27%、及 75.76%。而羅吉斯迴歸模型則分別為：83.33%、
75.76%、及 72.73%。可看出兩者在各年度模型的比較，皆是類神經網路較 佳。此外，可以發現這兩種模型在不同時間的預測能力，皆是愈遠期，正 確率愈低。在三種年度模型中，類神經網路模型與羅吉斯迴歸模型皆是前 一年的預測能力最好，前二年的次之，前三年的則最差。在比較兩模型的 誤差均方根方面，類神經網路模型前一年至前三年模型分別為：0.409671、
0.425003、及 0.487909。而羅吉斯迴歸模型則分別為：0.661998、
0.705768、及 0.709954。同樣地，皆是類神經網路較佳，表示模型的擬合 程度較好，誤差較小。就三種年度模型而言，亦可看出前一年模型的誤差
均方根 0.409671 0.425003 0.487909
預測
均方根 0.661998 0.705768 0.709954