本研究主要透過模型（model）之建構，偏重於量化的分析，期望可以藉此 模型預測企業財務危機。一般而言，企業研究程序需要有下列幾個重要步驟（黃 俊英,1994），如圖 3.1 所示：
圖 3.1:企業研究的程序
在此程序中的第一個要項-『界定研究目的』，已於第一章中詳述，不再贅 述。第二要項-『確定資料需要』是指確定資料之來源，本研究資料來源是企業 之財務數據，屬於次級資料（secondary data），可由各資料庫或網路中查詢的 二手資料。第三要項至第五要項是本研究的重點，為了配合解釋本研究之細節，
於是將各項中再細分為獨立的小項，成為下列八個主要步驟，最後第六要項將於 本研究第五章詳述。
步驟一：界定產業別的範圍
適當的界定產業別的範圍是相當重要的步驟，過大的產業別界定會將許多 界定研究目的
確定資料需要
發展研究設計
收集資料
分析資料
提出研究結論
營運模式差異甚大的企業納入分析，會模糊許多能夠區別的變數，例如界定『製 造業』或『服務業』的產業範圍就過大；然而過小的產業別範圍會因為樣本數過 少而難以分析，例如僅界定 DRAM 產業為研究範圍，在收集樣本資料上就較為困 難。因此本研究建議可以參考台灣證券交易所編算之『產業分類股價指數』，產 業分類股價指數共分成水泥類、食品類、塑膠類、紡織纖維類、電機機械類、電 器電纜類、化學生技醫療類、玻璃陶瓷類、造紙類、鋼鐵類、橡膠類、汽車類、
電子類、營造建材類、運輸類、觀光類、金融保險類、百貨貿易類、水泥窯製類、
塑膠化工類、機電類以及其他類等 22 種產業分類股價指數。然而此分類是一個 參考之基準，其目的是為了將不同產業中，導致企業危機的因素能夠區分開來，
因此在此前提之下可以適時的擴大與縮小產業範圍。
步驟二：於產業別中收集樣本公司
界定產業別後，就可以收集產業別中曾經發生財務危機之企業，這些資訊 可在台灣經濟新報中得到。而正常公司的樣本數目可以與危機公司的數目相同
（1:1），或是等比例的增加（1:2,1:3），本研究建議如果危機公司樣本數夠多（15 家以上），可以採用相同樣本的配對抽樣，若危機公司樣本數不足（不足 15 家）， 可以等比例的增加正常公司的樣本數目，其目的是為了有足夠的樣本數可以分 析，且兼顧其穩定性（robust）。
步驟三：定義研究變數與變數收集時間點
挑選完危機公司與正常公司之後，就要分別收集這些公司在不同時間點上 的財務數據，如圖 3.2 所示，分別收集危機公司與正常公司在發生財務危機前一 季、前兩季、前三季、前四季、前五季（前一年）的財務數據。
圖 3.2:危機公司與正常公司資料收集時間點
而各時間點所收集的財務數據即是本研究的研究變數，這些研究變數並非 是所有的財務數據，而是依據過去文獻中認為具有顯著判斷能力的變數，如表 2.4 中所列出的變數，然而隨著未來有更多的研究，有更多的顯著變數，或是認 為有些變數不再有顯著鑑別能力，也可以增加或刪除這些財務數據的使用。
步驟四：收集與整理研究變數
各研究變數需要經過計算與整理，確認沒有任何資料的遺漏（missing data），並且依照不同的時間點分組，將可以得到在欲分析的資料結構如表 3.1 所示（以危機發生前一季為例，其餘時間點省略表示）。
表 3.1：危機發生前一季之研究資料結構
T= -1 變數 X1 變數 X2 … 變數 Xk 危機公司 1
危機公司 2
… 危機公司 n 正常公司 1 正常公司 2
… 正常公司 n
危機公司
正常公司
發生危機時間 T= 0 發生危機前一季
T= -1 發生危機前二季
T= -2
步驟五：設定類神經網路模型之參數
使用倒傳遞類神經網路建立模型有三個重要的參數需要設定，以下是各參 數設定的重要原則(葉怡成,2003)。
( 1 )隱藏層之層數
倒傳遞網路因為有隱藏層的存在，使得網路得以表現節點間的交互影響。
對一般問題所建立之網路，以一層隱藏層即已足夠，但若設定太多隱藏層反而會 使網路過度複雜，造成許多局部極小值，使得網路更容易落入局部極小值中而無 法收斂。
故本研究將先利用無隱藏層網路架構建立網路，如果其收斂結果、分類與 預測效果不佳時，再以一層或兩層隱藏層網路架構去建立模型試試看，視其效果 而增減隱藏層的數目。
( 2 )隱藏層之節點數
通常隱藏層節點的數目越多，收斂越慢，卻可提升精度，減少誤差值，但 是如果節點的數目過多，只會徒增收斂的時間，對精度的提昇反而毫無幫助。至 於最適當的節點數取決於問題之複雜度與雜訊高低，並無定論，因此在決定隱藏 層時，可以依據以下四點原則來設定：
1. 隱藏層處理單元數目的決定，有以下三種公式：
(1)（輸入層節點數＋輸出層節點數）/ 2 (2) 輸入層節點數×輸出層節點數
(3) 試誤法
2. 問題的雜訊高時隱藏層節點數宜少
3. 問題的複雜性高時，則隱藏層節點數應宜多。
4. 若預測範例誤差遠高於訓練範例誤差時，隱藏層的處理單元數宜減少，反之，
則宜增加。
( 3 ) 學習速率
學習速率太大或太小均對網路收斂結果不利。因為較大學習速率雖然有 較大的網路加權值修正量，可較快逼近函數最小值，縮短收斂時間，但卻會 導致網路加權值修正過量，造成數值上下振盪而難以收斂。故通常依經驗取 0.5 或 0.1 至 1.0 問的學習速率值，大都可得到不錯的收斂效果。
步驟六：訓練類神經網路
許多類神經網路的套裝軟體皆可協助進行倒傳遞類神經網路模型的運算，
僅需將步驟四的資料輸入軟體，並且設定步驟五的參數，讓軟體協助運算，使預 估值與實際值相差的誤差值得以收斂，既可完成類神經網路的訓練。
步驟七：分析正確預測率
本研究建議採用交叉驗證的方式進行正確預設率的分析，假設步驟四中某 一個時間點下的資料結構共有 2n 筆樣本資料（危機公司與正常公司各 n 筆），每 次保留一筆資料當成測試樣本，其餘(2n-1)筆資料當成訓練樣本，當完成訓練樣 本的網路之後，再以測試樣本測試其預測是否正確，接下來再以第二筆資料為測 試樣本，如此重複 2n 次之後就可判斷其正確的預測率。
由於一般的驗證方式是將所有樣本皆納入訓練樣本中訓練，因此訓練出來 的模型會包含所有樣本之資訊，此時再以各樣本重新放入模型中測試，勢必得到 不錯的預測結果，但卻失去了公正性，因此本研究採用交叉驗證，訓練樣本所建 立的模型不包含測試樣本之資訊，所以可以客觀的衡量正確預測率。
此正確預測率需要大於 1.25 倍比例機率值 Cpro（proportional chance criterion），Cpro 計算方式如下（Hair et al.,2005）：
Cpro=p2+(1-p)2
其中，p 代表歸類為第一群之機率；（1-p）代表歸類為第二群之機率 在本研究中，如果在無任何資訊前提下，正確判斷企業財務危機之機率為 0.5（亂
猜），因此 Cpro=0.52+0.52=0.5，此模型的正確預測率至少要高於 62.5％（1.25 × 0.5 = 0.625 = 62.5％）才能算是一個可接受的預測模型。
步驟八：預測企業財務危機
在步驟七中可得到樣本公司在不同時間點建立類神經網路模型的正確判斷 率，此判斷率可以協助判斷模型建立後的可信度。在本步驟即可將不同時間點下 的所有樣本作為類神經網路的訓練樣本，重新訓練樣本使網路收斂，得到預測用 之模型。最後，收集產業中欲分析之公司最新的財務數據輸入類神經網路中，經 由網路運算後的預測值，即可判斷該公司是否面臨財務危機。
以上八個步驟可由圖 3.3 所示，為企業研究方法中第三至第六要項的細部 流程。
圖 3.3:以類神經網路建構產業別預警模型之流程 界定產業別的範圍
於產業別中收集樣本公司
定義研究變數與變數收集時間點
收集與整理研究變數
設定類神經網路模式之參數
訓練類神經網路
分析正確預測率 界定研究目的
確定資料需要
發展研究設計
收集資料
分析資料
提出研究結論
預測企業財務危機