本研究之預測績效比較分成整體樣本的14 個國家總預測效果與單一國家(包括馬來西亞；菲 律賓及泰國三個國家)的個別預測結果。五種方法包括訊號法的兩種綜合指標，Panel logit 的固 定與隨機效果模型，以及類神經模糊。整體樣本之實證結果詳列如表8。其中的正確率代表在危
表8 總體樣本銀行危機預警模型績效之比較
訓練集 驗證集
準確率 排名 α 排名 準確率 排名 α 排名 訊號法綜合指標一 0.8155 3 0.8320 2 0.8475 3 0.9500 3 訊號法綜合指標二 0.8072 4 0.7054 1 0.8333 2 0.8000 2 Logit固定效果 0.8219 2 0.9328 3 0.8546 4 1.0000 4 Logit隨機效果 0.8219 2 0.9328 3 0.8546 4 1.0000 4 類神經模糊 0.8293 1 0.7054 1 0.8901 1 0.7000 1
機期間有發出訊號，而在非危機期間則無發出訊號相對於總期間之比率。α值代表型I 誤差，亦 即有銀行危機但並沒有發出訊號，其中的排名則分別代表每一種方法在正確率與型I 錯誤上的排 名。正確率愈大愈好，而型I 錯誤愈小愈好。整體來看，類神經模糊不管是在訓練集亦或測試集 期間的預測績效都是五種方法中最好的，顯現此方法的堅韌性 (robustness)。
另外本研究針對單一國家作進一步分析，在單一國家樣本的選取上必須在測試期間1996 年 1 月至 1998 年 4 月有銀行危機發生，才納入模型預測績效的評估標準，而在樣本集 14 個國家 當中只有馬來西亞、菲律賓及泰國符合此條件，因此本研究選取此三個國家作進一步分析。實證 結果如表9。類神經模糊在馬來西亞與菲律賓二個國家，無論是訓練集或驗證集的預測準確率及 型Ⅰ錯誤皆優於其他方法。進一步地針對危機發生時間點來看，類神經模糊在馬來西亞之資料集 中，除了在訓練集可以百分之百準確預測外，測試集的表現亦為百分之百，然而，同樣的情形亦 發生在Panel Logit 之隨機效果模型應用於泰國銀行危機的資料集上。此實證結果似乎意謂著沒 有一個方法適用於所有的國家。Hardy and Pazarbasioglu（1998）指出要正確的預測銀行危機，
須評估特定國家與區域環境的因素，來挑選影響銀行脆弱性攸關的領先指標。而本研究則發現不 同的國家適用不同的預測工具，此實證結果對未來之研究有其重要的意涵。基本上我們可以說銀 行危機整體來看是可以被預測，然而想要進一步提升準確度，資料集與預測工具間之對應需要再 進一步的探討，此問題之後續發展可作為未來的研究方向。
6. ඕኢᄃޙᛉ
銀行危機之發生原因包括很多，而過去在探討或實證這些理論的研究中，大都使用 Logit 或 Probit 的模型來看其係數之符號以及顯著與否，進而解釋可能的原因為何，並不討論樣本外預測 的準確度。然而，對於一預警制度之建立，樣本外預測可能是比理論上的解釋要來得重要。除此，
應變數與自變數間之關係真的就是 Logistic function 或常態分配的累積機率分配之對應嗎 ( Probit )？也許還有其他更適合的函數，沒有人知道。因此，本研究希望跳脫過去的統計方法，
嘗試以專家系統的方式來建構銀行危機預警系統，利用類神經網路的學習能力來調整專家系統中
144 管理與系統
表9 單一國家銀行危機預警模型績效之比較
訓練集 驗證集
準確率 排名 α 排名 準確率 排名 α 排名
馬來西亞
訊號法綜合指標一 0.9300 2 0.5000 3 0.6154 3 1.0000 3 訊號法綜合指標二 0.8800 3 0.3750 2 0.6923 2 0.8000 2 Logit固定效果 0.8600 4 0.5000 3 0.3846 4 0.0000 1 Logit隨機效果 0.8600 4 0.5000 3 0.3846 4 0.0000 1 類神經模糊 1.0000 1 0.0000 1 0.7692 1 0.0000 1 菲律賓
訊號法綜合指標一 0.8644 3 0.8182 2 0.2500 3 1.0000 3 訊號法綜合指標二 0.8644 3 0.9091 3 0.2500 3 1.0000 3 Logit固定效果 0.8983 2 0.9091 3 0.3333 2 0.8889 2 Logit隨機效果 0.8983 2 0.9091 3 0.3333 2 0.8889 2 類神經模糊 0.9040 1 0.0000 1 0.5417 1 0.5556 1 泰國
訊號法綜合指標一 0.7412 3 0.8966 5 0.2727 3 0.8824 3 訊號法綜合指標二 0.7281 4 0.7586 4 0.3182 2 0.5882 2 Logit固定效果 0.8246 2 0.1724 2 1.0000 1 0.0000 1 Logit隨機效果 1.0000 1 0.0000 1 1.0000 1 0.0000 1 類神經模糊 0.7193 5 0.7069 3 0.2273 4 1.0000 4
之參數，就銀行危機預警方法的相關文獻中屬一新的嘗試。而且在現有的理論架構對樣本外預測 不盡如人意的情況下，此方法確是提供了一不同的切入點。實證結果顯示，整體來看，雖然 Panel Logit 之模型驗證了過去理論上對各變數之影響方向，然而其預測準確度並不比類神經模糊好，
而類神經模糊除了可以提供更準確的預測結果之外，所建構的規則庫與3D 圖則可以提供較以往 更為細膩的變數關係，此變數間之關係除了可以作為未來理論發展的基礎外，亦可提供產官學界 對銀行危機一新的思考方向與診斷方法。整體而言，銀行危機是可以被有效預測的，然而進一步 的分析發現不同的國家適用不同的預測工具，沒有一項工具適用於所有的國家，而資料集屬性與 預測工具間之對應則可作為未來之研究方向。
人工智慧工具的應用近年來在各個領域有著顯著性的增加，也為不同的問題提供了不同的解 決方法，其中專家系統與類神經網路的應用算是比較成熟，而類神經模糊之應用相形之下便比較 少，然而由於類神經模糊其學習能力以及其對不確定資料的容錯與處理能力，在管理領域的問題 上將會有更廣泛與深入之應用，本研究之目的不在驗證或提出一理論架構來解釋銀行危機的形 成，目的在提出一新的方法( approach )來探討銀行危機，除了所得之知識庫可以給予決策者更為 細膩的變數關係之外，而實證結果也提供了預測工具之情境考量，亦即沒有一項預測工具適用於 所有的國家，資料集屬性與預測工具間可能存在著某種對應，對未來預警模型建構之研究者有其 參考價值。
ܢܑ 1 ᅙҖП፟൴Ϡप͟
國家 銀行危機 P* 國家 銀行危機 P*
訓練集
阿根廷 Mar-80 0.25 墨西哥 Sep-82 0.17
May-85 Oct-92
Dec-94 挪威 Nov-88 0.08 玻利維亞 Oct-87 0.08 秘魯 Mar-83 0.08 巴西 Nov-85 0.17 菲律賓 Jan-81 0.08 Dec-94 西班牙 Nov-78 0.08 智利 Sep-81 0.08 瑞典 Nov-91 0.08
哥倫比亞 Jul-82 0.08 泰國 Mar-79 0.19
丹麥 Mar-87 0.08 Oct-83
芬蘭 Sep-91 0.08 土耳其 Jan-91 0.08
印度尼西亞 Nov-92 0.08 烏拉圭 Mar-71 0.17
以色列 Oct-83 0.08 Mar-81
馬來西亞 Jul-85 0.08 委內瑞拉 Oct-93 0.08
測試集
馬來西亞 Sep-97 0.71 泰國 May-96 0.61
菲律賓 Jul-97 0.79
*P=樣本期間危機發生的月數 / 總月數
資 料 來 源 ：Kaminsky, G. L. and Reinhart, C. M., “The Twin Crises: The Causes of Banking and Balance-of-Payments Problems,” The American Economic Review, Vol. 89, No. 3, June 1999, pp.473-500.