研究發現與結論

依據第四章以實證資料驗證本研究提出之模型與其他四種模型進行比較，

預測電子業與營造業之正確預測率如圖5.1與5.2所示。

0.00 20.00 40.00 60.00 80.00 100.00

正確預測率（％）

本研究之類神經網路 95.74 96.15 94.34 90.38 88.46

Beaver單變量 89.8 80 80.36 80 72.73

Altman多變量 78.72 67.92 56.6 57.69 50 Logit回歸模式 89.36 90.38 86.79 84.62 86.54 Odom類神經網路 89.36 88.68 86.79 84.62 78.85

前一季 前二季 前三季 前四季 前五季

圖 5.1:各模型預測電子業正確預測率趨勢圖

0.00 20.00 40.00 60.00 80.00 100.00

正確預測率（％）

本研究之類神經網路 80.00 71.43 75.76 58.06 45.45 Beaver單變量 77.77 83.33 75 77.77 66.67

Altman多變量 75 77.78 80 65.71 65.71

Logit回歸模式 71.43 62.86 87.88 54.84 42.42 Odom類神經網路 80.56 66.67 77.14 60 62.86

前一季 前二季 前三季 前四季 前五季

圖 5.2:各模型預測營造業正確預測率趨勢圖

依據本研究之實証結果，發現有下列結論：

結論1:各模型正確判斷率趨勢符合常識

不論電子業或營造業，或是不同的模型，離財務危機時間點越近之資料 進行分析，正確判斷率越高，特別是電子業有較明顯之趨勢。

結論2：本研究之類神經網路模式應用於電子業正確判斷率較其他模式為佳 比較各模型在電子業與營造業上的表現，可以發現各模型在電子業的預 測能力較營造業穩定，在電子業中也隱約看出各模型優劣，大致上是『本研 究之類神經網路模型』優於『Logit回歸模型』優於『Odom類神經網路模型』

優於『Beaver單變量模型』優於『Altman多變量模型』。 結論3：發現進行財務危機預測時，的確存在產業別的差異

在第四章中除了以本研究所提出之模式進行實證之外，也以相同資料進 行其他學者所提出之模式進行比較，發現本研究之模式較適合應用於電子

業，而應用在營造業上較不理想，經過推論發現可能的原因有二。

其一可能是產業特性，電子業有穩定的收入，較穩定的產業循環（相對 於營造業），面臨財務危機之前『正常』與『危機』的企業在財務數據的表 現上比較能夠區分，反之，營造業『正常』企業變成『危機』往往只在一瞬 間，可能和產業中有較高的財務槓桿操作有關，也和較長的產業循環有關。

而本研究之模式能夠掌握到電子業財務危機之特性，因此有較高的正確判斷 率，而本研究之模式似乎並不能夠充分掌握營造業財務危機之特性，或許是 採用之變數過多，或是沒有採用到能夠鑑別營造業財務危機預測之變數，因 此未來有必要針對營造業找出合適的分析模型。

第二個可能是產業樣本數的影響，本研究中電子業的樣本多於營造業，

或許較能夠捕捉到電子業的特性，未來營造業的樣本數如果隨時間而增加，

或許也有較佳的預測能力，然而這需要以更長的時間收集更多樣本，有待未 來進一步確認。