第四章 結論與建議
4.2 建議
本研究所建構的信用評等模型，可能因下列的研究限制而值得更 進一步的探討，茲將值得後續研究繼續探討的方向建議如下：
1. 本研究所採用的信用評等評估因子是在初步蒐集之後，再經由統 計分析程序篩選出的財務因子，後續研究可考慮採用其他程序
（如專家問卷或訪談）所得到的財務因子做為輸入變數，或考量 增加公司組織經營面與工程管理面等的其他影響企業信用的因 子，以增進模型分類與預測的績效。
2. 本研究所採用研究樣本僅探討民國 83 至 87 年間的甲級營造公 司，後續研究可蒐集更長期的廠商資料，並擴大探討至乙級與丙 級營造業的信用評等模式，使其更為完整。
3. 本研究主觀地分割二維正方形的 SOM 網路輸出拓撲之後，採用 熵值權重法對各聚類進行相對信用等級排序，後續研究可考慮建 構不同維度與形狀的拓撲、嘗試其它的分割形式、與應用其他的 聚類之間信用等級分析方法，以獲得更適當的聚類結果。
4. 本研究改善推論式學習係數方法論，推論更新學習係數頻率採用 Batch-Online 頻率，已證明提昇訓練正確率有良好績效。如將推 論式學習係數方法論獨立探討，何種推論更新學習係數頻率能使 推論式學習係數方法論獲得最佳績效，需進一步研究。
5. 本 研 究 所 建 立 之 營 建 廠 商 信 用 評 等 分 類 模 式 係 以 Double Backpropagation 來學習廠商財務因子與其信用等級間之規則，然 而，Double Backpropagation 之演算法仍有改善之空間，未來可朝 此方向進行研究，增進分類結果之績效與穩定性。
參考文獻
1. Standard & Poor's Corporation, Standard & Poor's Corporate Rating Criteria, McGraw Hill Book Company, (1998).
2. 財團法人金融聯合徵信中心，債券憑證評等概要--財務基礎工 程，民國八十五年。
3. 中華民國銀行公會，銀行辦理授信業務信用評等要點，民國七 十六年。
4. 中華徵信所（股）公司，贏在徵信，民國八十三年。
5. 台灣經濟新報，財務報表與企業信用評等，民國八十四年。
6. 中華信用評等股份有限公司，信用評等的角色與功能，民國八 十六年
7. Horrigan, J.O., “The Determinants of Long Term Credit Standing with Financial Ratios,” Supplement to Journal of Accounting Research, pp. 44-62, (1966).
8. Kaplan, R. and Urwitz, G., “Statistical Methods for Bankruptcy Forecasting,” Journal of Business, pp. 231-262, (1979).
9. Ederington, L., “Classification Models and Bond Ratings.” The Financial Review, Nov., pp. 237-262, (1985).
10. Dutta, S. and Shekhar, S., “Bond Rating: A non-Conservative Application of Neural Networks,” Neural Networks in Finance and Investing, Probus Publishing Co., (1993).
11. Odom, M.D. and Sharda, R., “A Neural Network Model for Bankruptcy Prediction,” IEEE INNS International Joint Conference on Neural Networks, Vol. 2, pp. 163-168, (1990).
12. 張志向，應用模糊理論於中小企業信用評等表改善建立之研 究，高雄工學院管理科學研究所碩士論文，民國八十六年六月。
13. 施人英，企業信用評等模式之研究，台灣大學商學研究所碩士
論文，民國八十六年六月。
14. Stewart, C., Lu, Y.C. and Larson, V., “A Neural Clustering Approach for Waveform Classification, ” Pattern Recognition, Vol. 27, pp. 503-513 (1994).
15. Haykin, C., Neural Networks - A Comprehensive Foundation, Prentice-Hall International Inc. (1999).
16. Obaidat, M.S., “Artificial Neural Networks to Systems, Man, and Cybernetics: Characteristics, Structures, and Applications,” IEEE Transactions on Systems, Man, and Cybernetics -Part B:
Cybernestic, Vol. 28, No. 4, August (1998).
17. Qin, S.Z., “Comparison of Four Neural Net Learning Methods for Dynamic System Identification,” IEEE Transactions on Neural Networks, Vol. 3, No. 1, pp. 122-130 (1992)
18. Battiti, R., “First and Second-Order Methods for Learning: Between Steepest Descent and Newton’s Method,” Neural Computation, Vol.
4, pp.141-166 (1992).
19. Alrefaei, M.H., “Simulated Annealing Algorithm with Constant Temperature for Discrete Stochastic Optimization,” Management Science, Vol. 45, No. 5, pp.748-764 (1999).
20. Barnard, E., “A comparative study of optimization techniques for backpropagation”, Neurocomputing, Vol. 6, pp.19-30 (1994).
21. Barnard, E., “Optimization for Training Neural Nets,” IEEE Transactions on Neural Networks, Vol. 3, No. 2, pp.232-240 (1992).
22. Jacobs, R.A., “Increased Rates of Convergence Through Learning Rate Adaptation,” Neural Networks, Vol. 1, pp.295-307 (1988).
23. Rumelhart, D., Parallel Distributed Processing, Cambridge, MA,1974
24. Drago, G.P., Ridella, S., “Statistically Controlled Activation Weight
Initiallzation,” IEEE Transactions on Neural Networks, Vol. 3, No.
4, pp.627-631 (1992).
25. Zhao, M., “Speeding up the training process of the MFNN by optimizing the hidden layers’ outputs,” Neurocomputing, Vol. 11, pp.89-100 (1996).
26. Drucker, H. and LeCun, Y., “Double Backpropagation: Increasing Generalization Performance,” Proceedings of the International Joint Conference on Neural Networks, pp. 145-150 (1991)
27. Drucker, H. and LeCun, Y., “Improving Generalization Performance in Character Recognition,” Proceedings of the IEEE Workshop on Neural Networks for Signal Processing, pp. 198-207 (1991).
28. Drucker, H. and LeCun, Y., “Improving Generalization Performance Using Double Backpropagation,” IEEE Transaction on Neural Networks, Vol. 3, No. 6, pp. 991-997 (1992).
表 2-1 各國評等機構簡介
評 等 機 構 成立
年限 評 等 對 象 國籍 Moody's Investors Service 1909 公司債、市政公債、商業本票、外債 美國 Standard & Poor's 1923 公司債、市政公債、商業本票、外債 美國 Canadian Bond Rating
Service (CBRS) 1972
（加拿大的）公司債、市政公債、商業本
票、優先股 加拿大
Japan Bond Rating Service 1975 （日本的）公司債、商業本票 日本
IBCA 1978 銀行金融機構 英國
Japan Credit Rating Agency 1985 （日本的）公司債、商業本票 日本
中華徵信所 1992 台灣大型公司 台灣
台灣經濟新報 1993 上市、上櫃及公開發行公司 台灣
中華信用評等公司 1997 公司債、認股權證、商業本票、金融機構 台灣
資料來源：Journal of Fixed Income, December 1995, pp.10-34 台灣經濟新報，“財務報表分析與企業信用評等”
表3-2 年度別SOM模式聚類信用排序
表 3-4 BP 網路之組態與參數
表 3-5 信用評等分類模式輸出值混亂矩陣
表 3-6 五種 BPNN 模式之訓練錯誤率
1000 2.091% 2.425% 1.828% 1.657% 0.392%
1100 1.997% 2.425% 1.828% 1.657% 0.392%
1200 1.835% 2.425% 1.828% 1.657% 0.457%
1300 1.854% 2.425% 1.828% 1.657% 0.457%
1400 1.821% 2.425% 1.828% 1.657% 0.523%
1500 2.129% 2.425% 1.828% 1.657% 0.457%
1600 2.249% 2.425% 1.828% 1.657% 0.392%
1700 2.258% 2.425% 1.828% 1.657% 0.457%
1800 2.310% 2.425% 1.828% 1.657% 0.523%
1900 2.323% 2.425% 1.828% 1.657% 0.457%
2000 2.362% 2.425% 1.828% 1.657% 0.392%
模
表 3-7 各學習循環間訓練錯誤率變動量
循環數
即時模式 批次模式 Batch-online
推論式學習
係數 互動式學習
1 -- -- -- -- --
10 1.372% 0.236% 2.718% 2.005% 2.213%
30 0.466% 0.197% 0.257% 1.199% 0.749%
50 0.024% 0.228% 3.929% 0.061% 0.412%
100 0.033% 0.336% 0.649% 0.003% 0.019%
200 0.848% 0.000% 0.649% 0.000% 0.065%
300 0.457% 0.000% 3.929% 0.000% 0.000%
400 0.018% 0.000% 3.280% 0.000% 0.000%
500 0.064% 0.000% 0.649% 0.000% 0.065%
600 0.379% 0.000% 1.310% 0.000% 0.131%
700 0.038% 0.000% 0.661% 0.000% 0.066%
800 0.188% 0.000% 0.649% 0.000% 0.000%
900 0.351% 0.000% 0.000% 0.000% 0.328%
1000 0.040% 0.000% 0.000% 0.000% 0.393%
1100 0.094% 0.000% 0.000% 0.000% 0.000%
1200 0.162% 0.000% 0.000% 0.000% 0.065%
1300 0.019% 0.000% 0.000% 0.000% 0.000%
1400 0.033% 0.000% 0.000% 0.000% 0.066%
1500 0.308% 0.000% 0.000% 0.000% 0.066%
1600 0.121% 0.000% 0.000% 0.000% 0.065%
1700 0.009% 0.000% 0.000% 0.000% 0.065%
1800 0.052% 0.000% 0.000% 0.000% 0.066%
1900 0.013% 0.000% 0.000% 0.000% 0.066%
2000 0.039% 0.000% 0.000% 0.000% 0.065%
變動量平均值 0.223% 0.043% 0.813% 0.817% 0.216%
表 3-8 各方法論訓練績效比較
使用
方法論 即時模式 批次模式 Batch-Online
推論式學習 係數調整
互動式學習 模式 訓練
錯誤率 2.362% 2.425% 1.828% 1.657% 0.392%
訓練
正確率 97.638% 97.575% 98.178% 98.343% 99.608%
減少訓練錯 誤率比(批次 BP 為基準)
0.974 1.000 0.754 0.683 0.162
表 3-9 訓練組及測試組樣本數
訓練組 測試組
信用等級 A 59 11
信用等級 B 85 15
信用等級 C 16 3
合計 160 29
表 3-10 信用評等分類網路組態與參數 項 目 設定值
輸入層神經元數目 12
輸出層神經元數目 3
第 1 隱藏層 8 第 2 隱藏層 12 神經元數目
第 3 隱藏層 8 學習速率 第 1 隱藏層 1
第 2 隱藏層 1
（learning rate）
第 3 隱藏層 1 學習取樣（learning sampling） 隨機取樣
學習法則（learning rule） Delta rule 轉換函數（transfer function） Sigmoid function
表 3-11 信用分類模型正確率
模型演算法 BP 類神經網路 Double Backpropagation
訓練組樣本數 189 189
訓練正確率 94.375% 93.125%
測試組樣本數 29 29
測試正確率 89.655% 89.655%
訓練時間(秒/50 次) 76 160
學習（未分類範例） 回想（聚類）
C D C B A → 第 1 類 B C D D A B B → 第 2 類 C A D A A D C → 第 3 類 B A C B D → 第 4 類
圖 2-1 類神經網路非監督式學習範例
圖 2-2 SOM 網路架構
輸出層
（代表聚類）
輸 入 向 量
輸 入 層
（代表輸入變數）
（9 * 4 二維矩形之網路拓撲）
Y
x
輸入層 隱 藏 層 輸出層
輸 出 向 量 輸
入 變 數
圖 2-3 倒傳遞類神經網路基本架構
i1
圖 2-4 Double Backpropagation 網路架構示意圖
1
圖 2-5 Double backpropagation 之演算過程
通用SOM網路模型
X
y 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 0 1.60 0.40 0.50 0.80 0.70 0.40 0.50 0.50 0.40 0.90 0.50 0.90 0.30 0.80 0.40 0.40 0.40 0.70 0.80 1 0.30 0.40 0.50 0.30 0.10 0.10 0.40 0.10 0.40 0.50 0.10 0.50 0.10 0.10 0.30 0.40 0.50 2 0.40 0.50 0.30 0.30 0.30 0.40 0.50 0.10 0.40 0.10 0.40 0.10 0.10 0.30 0.30 0.10 0.30 0.10 3 0.30 0.30 0.10 0.30 0.10 0.10 0.10 0.40 0.10 0.10 0.30 0.10 0.10 0.10 0.30 0.30 0.40 4 0.30 0.10 0.30 0.50 0.10 0.30 0.30 0.10 0.10 0.10 0.10 0.50 0.40 0.50 0.10 0.10 0.10 5 0.70 0.30 0.30 0.10 0.30 0.30 0.10 0.30 0.30 0.30 0.30 0.30 0.40 0.10 0.40 6 0.10 0.10 0.10 0.70 0.40 0.40 0.30 0.40 0.10 0.10 0.30 0.40 0.30 7 0.40 0.40 0.30 0.40 0.10 0.10 0.10 0.10 0.10 0.10 0.50 0.10 0.10 0.70 8 0.10 0.30 0.50 0.10 0.40 0.10 0.40 0.10 0.10 0.10 0.40 9 0.70 0.30 0.10 0.10 0.30 0.10 0.30 0.30 0.80 0.30 0.10 0.30 0.10 0.30 0.10 0.30 0.90 10 1.20 0.50 0.10 0.40 0.10 0.10 0.10 0.40 0.80 0.10 11 0.10 0.10 0.40 0.10 0.10 0.10 0.70 12 0.40 0.40 0.40 0.10 0.30 0.10 0.10 0.30 0.40 0.10 13 0.10 0.40 0.10 0.30 0.30 0.50 0.10 0.50 14 0.90 0.70 0.10 0.10 0.90 0.50 0.10 0.40 0.10 0.50 0.70 0.50 15 0.50 0.10 0.10 0.30 0.30 0.10 0.10 0.30 0.30 0.10 0.40 16 0.50 0.10 0.10 0.10 0.50 0.40 0.50 0.40 0.90 17 0.80 0.40 0.10 0.10 0.10 0.10 0.10 0.30 0.40 0.40 0.40 0.40 0.40 18 2.00 1.10 0.10 0.10 0.10 0.30 0.40 0.10 0.30 0.30 0.40 0.40 0.30 0.30 0.30 1.10 0.80 19 0.90 1.10 1.10 0.50 0.40 0.40 0.70 1.10 0.80 0.40 0.30 0.90 0.90 0.10 0.90 0.40 0.70 0.50 1.60
圖 3-3 通用 SOM 模式輸出拓撲分割
1
2
4
5 3
分割訓練資料區塊,亂數決定子Batch BPNN 訓練順序
各子Batch BPNN訓練權重與計算學習績效
比較目前學習績效,決定是否更新最佳權重 組合
調整下次學習循環之各權重學習係數
設定下次學習循環之中各Batch BPNN初始 權重
決定Batch-Online BPNN數網路結構及初始 學習循環權重與學習係數
檢驗最佳學習績效小於門檻值或 學習循環數等於預設值
終止學習過程,獲得最 佳權重組合
是 否
圖 3-4 BPNN 互動學習模式流程圖
u11 Batch Mode
u11 u12 u13 . . . Batch Mode
u31 u32 u33 . . . Batch Mode
un1 un2 . . . Batch Mode
INPUT
圖 3-5 Batch-Online 學習模式資料傳遞示意圖
OUTPUT Online Mode
ηij(opt(E))
圖 3-5 Batch-Online 學習模式資料傳遞示意圖(續)
12 nodes L
8 nodes L
3 nodes L
12 nodes L
8 nodes L
3 nodes L
8 nodes L
12 nodes L
8 nodes L
12 nodes L
Original network Mirrored network
圖 3-6 信用評等分類模式之訓練架構
12 nodes L
8 nodes L
12 nodes L
8 nodes L
3 nodes L
圖 3-7 信用評等分類模式之測試架構
圖 3-8 傳統倒傳遞類神經網路之訓練過程
圖 3-9 Double Backpropagation 類神經網路之訓練過程