結果分析與探討

一、研究樣本

研究樣本主要分為兩個群集：有信用不良記錄（凡舉有逾期、催 收、呆帳、退票、退票註銷與拒絕往來之記錄者謂之）與無信用不良 記錄之營造公司。研究資料來源為財團法人金融聯合徵信中心，研究 期間為民國 83 年至民國 87 年，各研究年度的樣本數如表 3-1：

二、評等因子篩選

在進行輸入因子篩選時，本研究首先經由專家訪談及相關文獻之 彙整，將被使用頻率較高之財務比率彙集，並配合本研究資料來源（財 團法人金融聯合徵信中心）所保存之財務比率資料，共可歸納得 20 項財務比率，作為本研究信用評等因子之初選；然後再將此 20 項財 務比率經由統計檢定分析的程序，統計分析的程序如圖 3-2 所示。透 過上述統計檢定程序，共篩選出適用於本模式的 12 項財務比率為信 用評等因子：1.固定資產比率、2.速動比、3.應付帳款周轉率、4.固定 資產周轉率、5.稅前純益率、6.稅後純益率、7.稅前淨值報酬率、8.

稅後淨值報酬、9.資產報酬率、10.利息比率、11.利息保障倍數及 12.

現金流量比率。

以上 12 項財務比率在 95%的顯著水準下，在無信用不良記錄與 有信用不良記錄的兩個廠商群分佈中的平均值不一樣，應該可以提供 本研究對於營造公司信用的判別能力，因此本研究將這些比率篩選出 來，做為後續研究（SOM 網路與 BP 網路）的輸入變數。

三、SOM 網路聚類分析

本研究篩選出信用評等因子（即財務比例）後，以其為輸入變數 來建構 SOM 網路。為增進 SOM 網路聚類結果之穩定性，本研究建 構了「通用 SOM 網路」（適用各年度樣本分類），並再建構「年度別 SOM 網路」（僅適用某年度樣本分類），以作為通用 SOM 網路模式之 對照組。將此兩類 SOM 網路來分析相同廠商之輸出分類結果比較，

以作為調整通用 SOM 網路之輸出拓撲聚類分割的參考，增加主觀分 割之正確性。

當將各廠商之財務比例因子輸入後，SOM 網路則會依照本研究 所設定之參數與組態進行學習，在學習過程中，特徵向量（即輸入變 數）具相似性質之廠商，則會在輸出拓撲中漸漸靠近而形成聚類。以 通用 SOM 網路為例，有效廠商案例數為 744 個，採用本研究所選定 之 12 項財務比例因子作為特徵向量，在調整多種不同拓撲規模試驗 之後，觀察其拓樸圖中點群聚態勢是否明確，以選出聚類結果最佳之 輸出拓撲，如圖 3-3 所示。

在圖 3-3，本研究將樣本之分佈分割為 5 個聚類，每一聚類中所 包含廠商之信用情況應該是具有相似的特性。並且藉由熵值權重法來 計算各聚類間之相對排序，即經由決定每一財務比例對聚類信用所能 傳遞之資訊程度，在比較各聚類間之熵值而計算出彼此間的相對重要 性。

因 SOM 網路之輸出拓撲是以人為主觀而進行分割，本研究為了 降低人為主觀所造成之偏差，另外亦建構了 1994 年至 1998 年等五個 年度之 SOM 網路，並依熵值權重法計算其聚類排序。建構年度別 SOM 網路是要對照通用 SOM 網路之輸出結果，將樣本群中之每一家

廠商在通用與年度別之 SOM 網路的信用排序結果做比較。若一致性 高則表示通用 SOM 網路之分類情況良好，如此將通用 SOM 網路之 信用等級分類結果，作為下一階段之 BP 網路的信用評等輸出目標值 才具有其可信賴度。

本研究為了分析通用與年度別 SOM 模式輸出結果一致與否，在 檢視通用與年度別 SOM 模式的聚類數時，發現通用與 83 年度別模 式的輸出拓撲分割為五個聚類，而 84 年至 87 年四個年度別模式則都 是分割為三個聚類，必須將所有模式的聚類數都調整為一樣之後方能 進行對比，故在通用與 83 年度別模式方面本研究將第 1 與第 5 聚類 保留，第 2、3、4 聚類合併為一個聚類，如此全部的 SOM 模式的輸 出結果均同為三個等級，在此定義為 A 等（信用情況優良）、B（信 用情況普通）等與 C 等（信用情況略差，但尚不至於發生信用不良 情事）。

表 3-3 顯示通用與年度別之 SOM 網路分類結果的一致性比較，

兩種網路分類結果相同之廠商佔所有有效樣本的 57.57﹪，兩種網路 分類結果差一等的有 40.05﹪，兩種網路分類評等結果差兩等的有 2.38﹪，顯示其一致性並不完全理想，但分類結果差異大之情況也不 多。

由於考量業主單位在評選營造公司時大多傾向較保守的態度，因 此本研究採取合併 B 等級與 C 等級之方式，將營造公司之信用狀況 分成 A 等（信用情況優良）與 B 等（信用情況普通但無發生信用不 良情事）。如此，兩種 SOM 網路之分類結果一致的廠商比例則可提 高至 90.60﹪，分類不一致之情況則降至僅佔 9.40﹪，是本研究範圍 中最適之分類結果。

四、網路評等分析

在完成營造公司信用等級之賦予與定義後，本研究採用 BP 網路 在非線性回歸之卓越績效，來執行營造公司之信用評等問題。建構本 BP 網路之目的，在於學習營造公司之財務資料與信用等級間的對應 規則。當對應規則學習完成後，在實際判別廠商信用等級時，則不需 要將全體樣本進行 SOM 網路之拓撲分析，只要輸入分析案例之信用 評等因子至本 BP 網路，即可進行信用等級之判定，如此可增進其應 用之便利性。

BP 網路之架構主要的內容有輸入變數與輸入層神經元、輸出變 數與輸出層神經元、訓練與測試樣本、網路架構，茲分述如下：

1.變數與輸入層神經元：輸入變數採用本研究所篩選出的 12 項財務 比率，因此輸入層有 13 個神經元（另含一個偏差值神經元(biased neuron)）。

2.輸出變數與輸出層神經元：輸出層包含三個競爭式神經元，當信用 等級為 A 時，輸出值為(1,0,0)；信用等級為 B 時，輸出值為(0,1,0)；

信用等級為 C 時，輸出值為(0,0,1)。

3.訓練與測試樣本：依年度樣本數目比例隨機選取訓練與測試組。

4.網路架構：本研究調整之網路架構與參數項目與範圍，如表 3-4 所 示。在測試過各種不同之組態與參數的 BP 網路後，本研究採用第 1 隱藏層有 8 個神經元，第 2 隱藏層有 12 個神經元，第 3 隱藏層有 8 個神經元之網路組態，為適用本研究樣本群之最適化的 BP 網路架 構(詳細架構亦列於表 3-4)。

5.網路分類績效：對於應用於分類問題的監督式學習網路，可以用混 亂矩陣（confusion matrix）來表示網路學習與測試的績效。混亂矩 陣可定義為：矩陣的每縱行代表一種目標分類，每橫列代表一種推 論分類，矩陣的第

ｊ

縱行第 i 橫行的元素值，代表應當屬於第 j 種 分類而被網路推論為第 i 種分類的範例數。所以如果混亂矩陣中對 角線上的元素值大、非對角線上的元素值小，則表示網路分類績效 良好。本混亂矩陣中對角線上之元素值均大於非對角線上的元素 值，顯示本 BP 網路之信用評等績效十分良好。本模式網路測試組 的分類混亂矩陣如表 3-5

五、評等結果分析

本研究在建構信用評等模式時，僅有少數模式推論之實際輸出值

（即以 BP 評等分析所得廠商之信用等級）與目標值（即以 SOM 聚 類分析所得廠商之信用等級）出現不符合的情況。

本研究採用之學習樣本為 189 組，測試樣本為 55 組，而其信用 評等之正確率分別為：

1.目標輸出值為信用等級 A：學習樣本 50 組，正確率為 100﹪；測試 樣本 15 組，正確率：100﹪。

2.目標輸出值為信用等級 B：學習樣本 100 組，正確率為 98﹪；測試 樣本 30 組，正確率：90﹪。

3.目標輸出值為信用等級 C：學習樣本 39 組，正確率為 84.62﹪；測 試樣本 10 組，正確率：60﹪。

本模式之學習組與測試組在推論廠商為信用等級 A 的正確率皆 為 100%，顯示本模式對於信用等級 A 級之營造公司其財務變數與信

用等級之間的對應規則的學習績效良好，即若本模式判定廠商為信用 等級 A 時，則其財務信用應是優良。但本模式在評判信用等級 B 與 信用等級 C 時，尚有很少數推論不符之情況，而推論不符之誤差僅 為 1 個等級，並無應為信用等級 A 卻推論為等級 C 或應為信用等級 C 卻推論為等級 A 的情況。由此可見，本模式確實能在資訊有限的情 形下判斷出公司的信用等級。

在文檔中 營造廠商財務信用評等模式最佳化之研究(III) (頁 40-45)