財務危機預警模式之研究

Beaver [30]之研究為企業失敗之預測。他以 1954 年至 1964 年間之企業為 對象，進行財務危機預測，隨機選取 79 家失敗企業，並配對相同產業及資產規 模的 79 家正常企業，蒐集其在失敗前五年之 30 項財務比率，採用二分類檢定法 (dichotomons classification test)，尋找一個最佳分類點，使得錯誤分類的 機率最低。分析結果顯示，「現金流量/負債總額」指標具有最佳的預測能力，其 次是「負債/資產總額」、「本期純益/資產總額」等指標。其認為公司是否發生財 務危機，主要仍是由現金流量、淨利及債務狀況等永久因素決定，其預測危機發 生前五年之錯誤分類率分別為：前一年 13％、前二年 21％、前三年 23％、前四

年 24％、前五年 32％。

Altman[27]之研究亦為企業破產之預測。他選取 1946 年至 1965 年間依破 產法申請破產之 33 家破產企業，依產業別與規模大小與另外 33 家正常公司配

Odom 與 Sharda[36]之研究為公司未來破產機率之預測。他們以 1975 年至 1982 年間 65 家失敗公司與 64 家健全公司為樣本，並以 Altman(1968)所提出的 5 個財務比率為 BPNN 之輸入變數，建構財務危機發生前一年之預警模型，並與 區別分析做比較。分析結果顯示 BPNN 模式之預警效果比區別分析佳。

Tam 與 Kiang[38]之研究為企業失敗之可能性預測。他們以 1985 年至 1987 年間美國德州發生破產的 59 家銀行，並依資產、成立年數、分行行數配對 59 家財務健全銀行為研究樣本，以企業失敗前一年和兩年的 19 項財務比率當變 數，分別利用 BPNN、決策樹（ID3）、區別分析、Logit 分析、最鄰近距離方法(K Nearest)，建構企業失敗模型。研究結果顯示企業失敗發生前一年正確預測率排 序為：BPNN（96.2％）>Logit 分析（92.3％）＝決策樹>區別分析（89％）; 失 敗發生前兩年正確預測率排序為：區別分析（94％）>BPNN（91.5％）>決策樹（90.7

％）>Logit 分析（86.4％）。

Altman、Marco 與 Varetto[28]之研究為企業失敗之診斷。他們以 1982 年 至 1992 年間之義大利公司為研究樣本，分別利用線性區別分析和 BPNN 建立財務 危機預警模式，比較此兩種方法之正確預警率。分析結果顯示此兩種方法皆有高 於 90％之正確預警率。

Zhang、Hu、Patuwo 與 Indro[39]之研究為企業破產之預測。他們以 1980 至 1991 年間美國製造業之 110 家發生危機公司，配對相同產業之 220 家健全公 司為研究樣本，並以六個財務比率當變數，利用 BPNN 和 Logit 分析，建立企業 破產預測模型，並利用交叉驗證分析法(Cross-Validation Analysis)比較兩種 模式的優劣。研究結果顯示 BPNN 預測的總和正確率為 88.18％，Logit 分析模式

則為 78.64％。

Barniv、Agarwal 與 Leagh[29]之研究為預測破產之方法。他們以 1980 至 1995 年間美國申請破產的 237 家上市公司，不採配對的方式選取 3 千多家正常 預警率各為 80％、76％、76％、56.25％、72.92％。

郭瓊宜[17]其研究主題為類神經網路在財務危機預警模式之應用。他以民 作常態性檢定，以因素分析萃取變數，再分別以 BPNN、區別分析、Logit 等方法 建構預警模型。研究結果顯示 BPNN 所建構之財務危機預警模式，其預測能力比

困難預警資訊。他以台灣股票上市公司為研究樣本，以全額交個股及暫停交易公