類神經網路

Logit 或 Probit 模型中分界點之決定，往往會影響模式之預測能力，而且需要對變 數做先驗假設，故有學者提出類神經網路模型來解決此問題；另一方面，隨著電腦運算 能力之增強，財務預警系統開始引入了人工智慧 (artificial intelligence) 之概念，此技術 源於意圖模擬人類之腦部在圖形與語音辨識方面之強大能力，開發出以「類神經」計算 原理為基礎之處理模式。

類神經網路是一種電腦資訊處理技術，其基本架構可分為「輸入層 (input layer)」、

「隱藏層 (hidden layer)」和「輸出層 (output layer)」，每一層均包含若干處理單元之「節 點」。輸入層之節點負責外在資訊之接收，隱藏層之節點則是將接收之訊息予以處理，

並轉化結果至輸出層，而輸出層之節點負責將最終結果之判定輸出，其資料之重要程度 可用「權值」大小來表示。

類 神 經 網 路 模 型 眾 多 ， 其 中 運 用 最 廣 的 是 倒 傳 遞 網 路 (back-propagation networks) ，其屬於監督式學習 (supervised learning) 之類神經網路，在學習時會將錯誤 之訊號反饋回來，用以修正神經元連結之權值。應用在財務預警系統領域中，即以輸入、

輸出所組成之資料，經過訓練和學習加以模式化來建立系統模型 (即輸入與輸出之關 係) ，然後藉此推估、預測與診斷企業之經營狀況。由於類神經網路不需符合多變量區 別分析之諸多假設，係一種「資料訓練」之過程，又能處理非量化之變數，其優點為適 應性強、具有高容記憶能力、學習能力、平行運算能力、歸納能力及擁有容錯能力等特 性，故愈來愈多之學者以類神經網路建立財務危機預警模型。

Odom and Sharda (1990) 比較類神經網路和多變量區別分析模型之不同，選取1975 至1982年間65家財務危機公司並與64家正常公司進行配對，將樣本劃分為訓練樣本和保 留樣本，並以 Altman (1968) 所提出之 Z-score 分析中之5項財務比率，擷取公司財務 危機前1年之資料來建立類神經網路與多變量區別分析兩個預警模型。實證結果顯示，

在訓練樣本中，多變量區別分析和類神經網路模型之正確區別率分別為84.86%和 100%；而保留樣本之驗證方面，其正確區別率分別為81.18%和74.28%，整體而言，類 神經網路在企業財務危機之預測上，較區別分析模式佳。

Tam and Kiang (1992) 首次利用類神經網路、多變量區別分析、 Logit 模型、決策 樹等多種分析方法來建構財務預警模式，研究樣本為1985至1987年共59家危機銀行，並 採取1:1之配對方式，產生59家正常銀行，另選用19項財務指標，以財務危機前2年之資 料建立預警模型。實證結果發現，財務危機前1年以類神經網路之正確區別率為最高，

達到85.2%，而失敗前2年之正確區別率則以 Logit 模型為最高。

Coats and Fant (1993) 採用 Altman (1968) 所提出之 Z-score 分析中之5項財務比 率作為研究變數，研究範圍係1970至1989年間自 Standard & Poor’s Compustat 之財務資 料隨機抽取94家財務危機公司及188家正常公司作為研究樣本，分別以多變量區別分析 及類神經網路 (瀑布關聯網路) 建立財務危機預警模型，並比較兩個模型之預測能力。

實證結果顯示，類神經網路模型之預測能力較佳，對危機公司之正確區別率達91%，對 正常公司之正確區別率達96%；而多變量區別分析對危機公司之正確區別率為72%，對 正常公司之正確區別率為89%。

Zhang, G., et al. (1999) 利用類神經網路及 Logit 模型建立企業破產預測模型，並透 過5種不同組合樣本交叉驗證分析法 (cross-validation analysis) 來比較兩模型之優劣。實 證中以1980至1991年間美國製造業110家破產公司配對220家健全公司作為研究對象，採 用6項財務比率建立模型。研究結果顯示，類神經網路模型之正確區別率為88.18%，高 於 Logit 模型78.64%之正確區別率。

國內研究方面，郭瓊宜 (民國八十三年) 是第一篇以類神經網路建立財務危機預警 模型之研究，研究範圍是民國七十至八十二年間列為全額交割股之23家上市公司，並選 取相同產業、規模相近之44家正常公司與之配對，另外依財務結構、經營效能、獲利能 力、變現性、與成長性等5大財務構面擷取出20項財務比率作為研究之解釋變數。分析 步驟係先以因素分析法萃取出具有代表性之財務比率作為類神經網路之輸入變數，再運 用模擬、比較之方式決定最佳模型，最後則以保留樣本驗證模型之預測能力；另一方面，

也利用上述之資料建立 Logit 模型，作為與類神經網路模型對照比較之用。研究結果發 現，在類神經網路中，以財務危機發生前2年之正確區別率最高，原始樣本達高98.08%，

且型 I 誤差率係零，保留樣本也有89.44%之正確率；而在 Logit 模型中，則以危機發 生前1年之模型最好，原始樣本之正確區別率為83.5%，保留樣本為74.51%，但 Logit 模

型之型 I 誤差率偏高，值得注意。總體而言，類神經網路在區別正常與危機公司方面 之表現，大多優於 Logit 模型。

卓怡如 (民國八十四年) 以民國六十六至八十三年間27家上市危機公司配對60家正 常公司及27家未上市危機公司配對58家未上市正常公司作為研究對象，該研究採用財務 比率、產業相對比率、財務比率變動及產業相對財務比率變動四類財務變數，分別建立 Logit 模型與倒傳遞類神經網路。研究結果顯示，在原始樣本方面，類神經網路之正確 區別率高達95%以上，較 Logit 模型所得到之80%正確區別率來得高；而保留樣本方 面，兩模型之正確區別率差不多，總括來說，類神經網路為較佳之預警模型，而在四類 變數中，係以產業相對財務比率之正確區別率為最佳。

池千駒 (民國八十八年) 研究範圍係民國七十至八十七年十二月底被證交所列為 全額交割股或下市或主動向財政部申請暫停交易之44家上市公司，將樣本分為兩類進行 實證研究，第一類樣本組以列為全額交割股和暫停交易之公司作為財務困難公司，共計 40家；第二類樣本組僅以列為全額交割股之公司作為財務困難公司，共計30家。配對樣 本方面，以資產規模、產業別相似之正常公司與之配對。該研究將解釋變數分為4類：

1.財務比率。2.財務比率趨勢。3.非財務變數。4.總體經濟變數。其中，財務比率趨勢乃 係針對財務困難發生前5年之財務比率，以年度為 x 軸，財務比率為 y 軸，利用 OLS 計算斜率來衡量其趨勢。所使用之方法學為 Logit 模型及倒傳遞類神經網路，實證結果 發現：1.將 OLS 所計算之財務比率趨勢納入 Logit 模型中，可增加模型之正確區別 率。2.非財務變數中會計師之變動，能增加模型之正確區別率，亦即非財務變數係公司 發生財務困難之徵兆。3.由於財務困難公司與正常公司之樣本比例為1：1，因此總體經 濟變數無法在模型中看出其解釋能力，若想要顯示出總體經濟之影響，則可能要設計其 他樣本配對方式。4.倒傳遞類神經網路之區別正確率優於 Logit 模型。

雖然類神經網路無須任何機率分配假設，也擁有適應性強、具有學習能力、平行運 算能力、歸納能力、容錯能力及高容記憶能力等特性，並可作多層等級判斷問題等優點，

但是由於較缺乏嚴謹之統計理論基礎，且在樣本數不多之情況下，必須減少輸入向量數 目來簡化網路複雜度，另外也可能會產生模型不易收斂之問題，故此方法學仍有待改善 之處。