一、 本研究其目的在於找出不同趨勢下之重要財務變數，以提升財務危機 之預測能力，研究結果發現TCRI 信用評等無論在擴張及收縮趨勢 中，該特徵都相當重要；但卻衍生出預測模型時效性問題，假若我們 希望在第一時間利用過去不同趨勢中的模型進行財務危機預測，此時 藉由每年度在4/30 日前所發佈之年報進行預測，若利用本研究所建置 之模型，在資料的前置處理及模型的運算上約略3 個小時即可利用該
68
模型進行預測，但若加入信用評等變數後，該模型於預測之時效性便 受到限制；從實證的結果來看，雖然TCRI 信用評等能有效提升財務 危機之預測能力，但在財務危機之預測模型的操作上，仍無法在第一 時間收集到信用評等資料，因此在後續研究，應將信用評等之時效性 列入考量，以便利用模型進行財務危機企業之評估。
二、 從實證的結果來看，主成份分析法利用特徵值大於1 的方式，進行特 徵變數的選擇，其準確率明顯較SVM 特徵選擇之結果表現差，因此 就主成份分析方法若以(Min & Lee, 2005)所採用之方式，便能有效提升 預測之準確率，其方法是將所有變數中選取兩個主要成份，再由兩個 主要成份中找出因素負荷量大於0.5 之財務變數，由此做為特徵選擇 之標準，若以實驗設計(一)為例，BNN 及 Logistic Regression 實證結果 來看準確率明顯提升，由原本的74.20%及 73.86%，分別提升到 79.85%
及79.75%。
表 5-1：改變主成份分析特徵選擇方式以實驗設計(一)為例
三、 本研究在財務變數的選擇上，目前僅採用財務比率，對於非財務比率 並未善加利用，因此後續研究可加入非財務比率進行研究。
四、 本研究以利用景氣循環為樣本分割之方法，建議後續研究可針對其它 總體經濟指標進行樣本分割，以找出企業財務危機之發生對於總體經 濟之關聯性。
(一)未考慮景氣循環 Classification accuracy(%)
特徵選擇 Model 2st fold 3st fold 4st fold 5st fold 6st fold 7st fold 8st fold 9st fold 10st fold Average BNN 81.3 79.13 81.3 79.56 79.13 80 79.13 77.8 81.3 79.85 PCA
Logistic Regression 75.65 80.86 80 78.26 80.43 81.73 80.86 80.43 79.56 79.75 PCA=Principal ComponentsAnalysis
69
參考文獻 中文文獻：
丁一賢、陳牧言(2005)。
資料探勘
。台中市：滄海書局。火元蓮、齊永鋒、宋海聲(2007)。
基于 SMO 算法的多用戶檢測技術
，通信技術，第40 卷，第 11 期，136-138。
王耀興(2008，11 月 4 日)。
次貸風暴啟示錄
。經濟日報
。洪德生(2007，10 月 14 日)。信用評等對公司治理的重要性。
經濟日報
。 財訊出版社編(2007)。台灣電子產業新版圖
。台灣：財訊出版社。高偉柏(2001)。
企業財務危機預測
。未出版碩士論文，國立中山大學財務管理研究 所碩士論文，高雄市。高蘭芬(2002)。
董監事股權質押之代理問題對會計資訊與公司績效之影響
。未出版 碩士論文，國立成功大學會計研究所博士論文，台南市。康峻維(2002)。
初次公開發行後資本結構之實證研究分析 - 以台灣地區電子業與非 電子業上市公司為例
。未出版碩士論文，國立清華大學經濟學系研究所碩士 論文，新竹市。張大成(2003)。違約機率與信用評分模型。
台灣金融財務季刊， 4，19-37。
郭秋榮(2009)。全球金融風暴之成因、對我國影響及因應對策之探討。經
濟研究，
9，59-90。
陳妙真(2004)。華銀引用 TCRI 信用評等簡介
。華南金控， 20，11-18。
陳建年(2000)。
由財務指標態樣探討上市營建公司經營危機之研究。
未出版碩士論 文，中央大學土木工程研究所碩士論文，桃園縣。陳美菊(2008)。次級房貸風暴對全球經濟之影響
。經濟研究年刊， 1，249-270。
陳肇榮(1983)。
運用財務比率預測企業財務危機之實證研究。
未出版碩士論文，
政 治大學企業管理研究所博士論文，台北市。陳瓊蓉、林俊男(2008)。臺灣上市櫃公司財務危機預警模型之研究-景氣收縮期與 擴張期之比較。
臺灣銀行季刊， 4，281-300。
彭杏珠(2009 年 3 月 1 日)。152 家企業的下市啟示錄：一兆台幣的一堂課。
遠見雜
誌
，132-137。70
劉向麗(2001)。
依銀行融資觀點看企業財務預警問題。
未出版碩士論文，國立中山 大學財務管理系碩士論文，高雄市。鄭嘉欣(1999)。
從股東報告書之揭露資訊探討台灣股票上市上櫃公司之財務危機。
未出版碩士論文
，
國立中央大學企管研究所碩士論文，桃園市。英文文獻：
Altman, E. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy, The Journal of Finance, 23, 589-609.
Beaver, W. H. (1966). Financial ratios as predictors of failures. Journal of Accounting
Research, 4, 71-102.
Chaveesuk, R., Srivaree-Ratana, C., & Smith, A. (1997). Alternative Neural Network Approach to Corporate Bond Rating. Journal of Engineering Valuation and Cost
Analysis, 2, 117-131.
Coats, P. K., & Fant, L. F. (1993). Recognizing financial distress patterns using a neural network tool. Financial Management, 22, 142-155.
Cristiamini, N., & Shawe-Taylor, J. (2000). An Introduction to Support Vector Machines.
Cambridge university press, Cambridge, England.
Olson, D.L., & Yong, S. (2005). Introduction to Business Data Mining. Boston, Mass. ; London : McGraw-Hill.
Deakin, E.B. (1972). A discriminant analysis of predictors of business failure. Journal
of Accounting Research, 10, 167-179.
Flake, G., & Lawrence, S. (2002). Efficient SVM regression training with SMO.
Machine Learning, 46, 271-290.
Gehrke, J., Ramakrishnan, R., & Loh, W. Y. (1999). BOAT-optimistic decision tree construction. In proceeding of International Conference Management of Data,
Philadelphia, 169–180.
Guyon, I., Weston, J., Barnhill, S., & Vapnik, V. (2002) Gene selection for cancer classification using support vector machines. Machine Learning, 46, 389-422.
Hastie, T., & Tibshirani, R. (1998). Classification by Pairwise Coupling. Advances in
Neural Information Processing Systems, 26, 1998.
Huang, Z., Chen, H., Hsu, J., Chen, W. H., & Wu, S. (2004). Credit rating analysis with support vector machines and neural networks: a market comparative study.
Decision Support Systems, 37, 543-558.
71
Hung, C., & Chen, J. (2009). A selective ensemble based on expected probabilities for bankruptcy prediction. Expert Systems with Applications, 36, 5297-5303.
Joachims, T., (1998). Text categorization with support vector machines. Lecture Notes in Computer Science, 1398, Berlin / Heidelberg: Springer, 137-142.
Kaiser, H. F. (1960). The application of electronic computers to factor analysis.
Educational and Psychological Measurement, 20, 141-151.
Keerthi, S. S., Shevade, S. K., Bhattacharyya, C., & Murthy, K. R. K. (2001).
Improvements to Platt's SMO Algorithm for SVM Classifier Design. Neural
Computation, 13(3), 637-649.
Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data Mining Techniques for the Detection of Fraudulent Financial Statements. Expert Systems with Applications,
32, 995-1003.
Mensah, Y. M. (1984). An examination of the stationary of multivariate
bankruptcyprediction models: A methodological study. Journal of Accounting
Research, 22, 380-395.
Merkevičius, E., Garšva, G., & Girdzijauskas, S. (2006). A Hybrid SOM-Altman Model for Bankruptcy Prediction. Lecture Notes in Computer Science, 3994, Berlin / Heidelberg: Springer, 364-371.
Min, J.H., & Lee, Y.C. (2005). Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters. Expert Systems with
Applications, 28, 603-614.
Odom, M., & Sharda, R. (1990). A neural network model for bankruptcy prediction. In
Proceedings of international joint conference, 163-168.
Ohlson, J. (1980). Financial ratios and the probabilistic prediction of bankruptcy,
Journal of Accounting Research, 18, 109-131.
Orgler, Y. E. (1970). A Credit Scoring Model for Commercial Loans. Journal of Money,
Credit, and Banking, 12, 435-445.
Platt, H. D. & Platt, M. B. (1991). A Note on the Use of Industry Relative Ratios in Bankruptcy Prediction. Journal of Banking and Finance, 15, 1183-1194.
Platt, J. (1999). Fast training of support vector machines using sequential minimal optimization. Advances in Kernel Methods - Support Vector Learning.Cambridge, MA:MIT Press, 185-208.
72
Spicer, J. (2004). Making sense of multivariate data analysis. London: Sage, 158.
Tsai, C. (2009). Feature selection in bankruptcy prediction. European Journal of
Operational Research, 22, 120-127.
Varetto, F.(1998). Genetic algorithms applications in the analysis of insolvency risk.
Journal of Banking & Finance, 22, 1421-1439.
Werbos, P. J. (1974). Beyond Regression: New Tools for Prediction and Analysis in the
Behavioral Science. Ph.D. Thesis, Harvard University, Cambridge.
網址文獻：
公開資訊觀測站 ，http://newmops.tse.com.tw/
台灣經濟新報社(2010)，台灣一般產業新版財務資料庫。2010 年 3 月 1 日，取自 http://www.tej.com.tw/twsite/
台灣證券交易所(2010)。臺灣證券交易所股份有限公司營業細則。2010 年 1 月 5 日，取自台灣證券交易所，http://www.tse.com.tw
行政院主計處(2009)。總體經濟指標，國民經濟動向統計季報。2009 年 8 月 1 日，
取自行政院主計處，http://www.stat.gov.tw/
行政院經濟建設委員會(2009)。景氣指標。2009 年 8 月 1 日，取自景氣指標查詢系 統，http://index.cepd.gov.tw/inQuery.aspx?lang=1&type=it01
Weka. (2010). Data Mining with Open Source Machine Learning Software in Java.
Available at: http://www.cs.waikato.ac.nz/ml/weka/.Accessed 2010
73
74 income before tax / recived capitals)
75
76
77
78
79
80
81
8060 力竑 主機板 2007/4/25 繼續經營疑慮 3018 同開 TSE 電子設備 2007/4/26 繼續經營疑慮 3096 碩良 ROTC 軟體服務 2007/4/26 繼續經營疑慮 6114 翔昇 OTC 主機板 2007/5/17 紓困-財危 6110 艾群 OTC 軟體服務 2007/10/26 跳票擠兌 3252 海灣科 OTC 半導體 2008/4/21 繼續經營疑慮 6103 合邦 OTC 半導體 2008/4/21 繼續經營疑慮 8130 聯達電 ROTC 主機板 2008/4/26 繼續經營疑慮 6149 禾鴻 OTC 軟體服務 2008/6/18 跳票擠兌 6232 仕欽 OTC 電子零組件 2008/6/20 跳票擠兌 3144 新揚科 OTC 主機板 2008/7/22 重整 1606 歌林 TSE 家電製品 2008/7/30 跳票擠兌 2396 精碟 TSE 光電/ IO 2008/8/4 重整 6130 亞全 OTC 半導體 2008/8/11 跳票擠兌 3397 協泰 ROTC 半導體 2008/8/25 繼續經營疑慮 3369 鐵研 OTC 電子零組件 2008/9/15 跳票擠兌 3051 力特 TSE 光電/ IO 2008/9/30 紓困-財危 2438 英誌 TSE 電子零組件 2008/10/24 繼續經營疑慮 3099 頂倫 OTC 主機板 2008/10/24 繼續經營疑慮 6242 聯豪科 OTC 電子零組件 2008/10/29 繼續經營疑慮 2341 英群 TSE 光電/ IO 2008/10/31 繼續經營疑慮 5387 茂德 OTC 半導體 2008/12/10 紓困-財危 5346 力晶 OTC 半導體 2008/12/22 紓困-財危
註：交易所欄位TSE：上市、OTC：上櫃、ROTC 興櫃，空白：公開發行股票。
82
83
84
85
86 附錄 6：特徵選擇-相關參數設定
主成份分析參數設定與說明：
支援向量機特徵選擇-參數設定與說明
參數： 設定值： 說明：
MaximumAttributeNAME: 1 用來呈現每特徵值選取之最大挑選 數量，在此將參數設為，將從每個特
徵值中，選擇出一個重要之變數 normalize: Ture 資料是否為標準化
transformBackToOriginal： False 刪減變數中的雜訊，並顯示出保留變 數之原始位置
varianceCovered： 0.90 變異數累積
參數： 設定值： 說明：
attsToEliminatePerIteration： 1 為變數消除的固定比率。
complexityParameter： 0.1 C 參數 epsilonParameter 1.0E-25 P 參數
filterType： 標準化 資料集類型
percentThreshold： 0 將低於門檻值就將予以刪除 percentToEliminatePerIteration： 0 變數刪除的比率
toleranceParameter 1.0E-10 T 參數
87 附錄 7：實驗設計(一)主成份分析特徵選擇結果
財務變數 特徵值 資訊量 累計資訊量 資產報酬率(稅前息前折舊前) 11.308 0.198 0.198 研究發展費用率 6.080 0.107 0.305 借款依存度 4.224 0.074 0.379 資產週轉率（次） 3.289 0.058 0.437 稅後淨利成長率 2.760 0.048 0.485 經常淨利成長率 2.605 0.046 0.531 營收成長率 2.254 0.040 0.571 現金股利率 1.834 0.032 0.603 營業毛利成長率 1.797 0.032 0.634 財務槓桿度 1.686 0.030 0.664 營運槓桿度 1.421 0.025 0.689 營業利益成長率 1.350 0.024 0.712 營運槓桿度 1.311 0.023 0.735 呆帳費用率 1.155 0.020 0.756 存貨週轉率 (次) 1.048 0.018 0.774 存貨週轉率 (次) 1.017 0.018 0.792 息負債利率 0.971 0.017 0.809 息保障倍數 0.907 0.016 0.825 折現率 0.883 0.015 0.840 現金流量允當 0.826 0.014 0.855 現金再投資 0.744 0.013 0.868 金流量比率 0.711 0.012 0.880 營業利益成長率 0.668 0.012 0.892 利息支出率 0.636 0.011 0.903
88 附錄 8：實驗設計(一)支援向量機特徵選擇結果
財務變數 SVM Rank
TCRI 信用評等 1
負債比率 2
稅前純益/實收資本 3
現金股利率 4
淨值成長率 5
常續性EPS 6
應收帳款週轉率(次) 7
稅前淨利率 8
股利殖利率 9
營業毛利率 10
營收成長率 11
利息保障倍數 12
存貨週轉率(次) 13
速動比率 14
應收帳款收現天數(天) 15
內部保留比率 16
財務槓桿度 17
已實現銷貨毛利成長率 18 常續性利益成長率─稅後 19
Z-Score 20
89 附錄 9：實驗設計(二)擴張趨勢-主成份分析特徵選擇結果
財務變數 特徵值 資訊量 累積資訊量 資產報酬率(稅前息前折舊前) 11.770 0.206 0.206 研究發展費用率 6.552 0.115 0.321
借款依存度 4.600 0.081 0.402
流動比率 3.131 0.055 0.457
應收帳款收現天數(天) ... 2.906 0.051 0.508 稅後淨利成長率 2.695 0.047 0.555 總資產報酬成長率 2.374 0.042 0.597
現金股利率 1.943 0.034 0.631
長期資金適合率 1.686 0.030 0.661
營運槓桿度 1.676 0.029 0.690
利息保障倍數 1.467 0.026 0.716
營運槓桿度 1.389 0.024 0.740
存貨週轉率 1.321 0.023 0.763
常續性利益成長率─稅後 1.208 0.021 0.785
存貨週轉率 1.041 0.018 0.803
折現率 0.983 0.017 0.820
存貨週轉率 0.951 0.017 0.837
呆帳費用率 0.916 0.016 0.853
現金流量比率 0.836 0.015 0.867 現金流量比率 0.750 0.013 0.881 現金流量允當 0.703 0.012 0.893 常續性利益成長率─稅後 0.682 0.012 0.905
90
附錄 10：實驗設計(二)擴張趨勢-支援向量機特徵選擇結果
財務變數 SVM Rank
負債比率 1
每股淨值 2
淨值 /總資產 3
現金股利率 4
TCRI 信用評等 5
折舊性固定資產成長率 6
應收帳款週轉率 7
股利殖利率 8
營業利益率 9
常續性利益成長率─稅後 10
營收成長率 11
資產報酬率(稅前息前折舊前) 12
營業毛利率 13
內部保留比率 14
營運槓桿度 15
稅前淨利率 16
長期資金適合率 17
固定資產週轉率 18
總資產週轉率（次） 19
總資產成長率% 20
91
附錄 11：實驗設計(二)收縮趨勢-主成份分析特徵選擇結果
財務變數 特徵值 資訊量 累積資訊量
淨值報酬率(稅後) 13.956 0.245 0.245 負債比率 7.507 0.132 0.377 總資產成長率 5.304 0.093 0.470 長期資金適合率 4.209 0.074 0.543 營運槓桿度 2.907 0.051 0.594 財務槓桿度 2.280 0.040 0.634 或有負債 /淨值 2.179 0.038 0.673 利息支出率 1.843 0.032 0.705 有息負債利率 1.716 0.030 0.735 呆帳費用率 1.523 0.027 0.762 或有負債/淨值 1.364 0.024 0.786 營業利益成長率 1.243 0.022 0.808 存貨週轉率 1.124 0.020 0.827 利息保障倍數 0.981 0.017 0.845 存貨週轉率 0.952 0.017 0.861 利息支出率 0.845 0.015 0.876 呆帳費用率 0.784 0.014 0.890 折舊性固定資產成長率 0.702 0.012 0.902
92
附錄 12：實驗設計(二)收縮趨勢-支援向量機特徵選擇結果
重要變數 SVM RANK
TCRI 信用評等 1
淨值報酬率(稅後)% 2
借款依存度% 3
稅前純益/實收資本 4
營運槓桿度 5
負債比率% 6
存貨週轉率(次) 7
存貨應收帳款／淨值 8
營業利益成長率% 9
折舊性固定資產成長率% 10
內部保留比率% 11
內部保留比率% 11