在公司治理观点下

1、.2006台灣商管與資訊研討會：.；在公司治理觀點下運用類神經網路建立上市公司財務危機預警模型以台灣為例施東信1 晏啟華21國防大學國防管理學院資源管理研讨所研讨生Address:台北縣中和市民安街150號: 02-22222轉8558:openpower1999yahoo.tw2國防大學國防管理學院資源管理研讨所助理教授Address: 台北縣中和市民安街150號:02-22222轉8558: cheewhahotmail傳統的財務危機預警模型都是用財務變數來建構，但是只用財務變數所建立的預警模型似乎無法正確預警出近年來的財務危機事件。因此本研讨除了考慮財務變數之外，同時採用最近研讨中所指出

2、對財務危機具有影響的公司治理變數來構建預警模型，以改善目前通行之財務危機預警制度，研讨發現倒傳遞類神經網路建構参与公司治理財務預警模型可即時有效區分出台灣財務危機公司與正常公司，因此，有助於投資人、債權人、貸款銀行、公司管理者與稽核專員，來偵查及預防舞弊，進而提早預警上市公司的財務危機事件發生。另外，研讨結果，證明在財務危機預警模型添加公司治理資訊：董監事持股比率、全體董、監事質押比率與主要經理人持股比率3個公司治理變數可有效提升財務危機預警模型的預警才干。 關鍵字: 公司治理、財務危機、預警模型、倒傳遞類神經網路Using Artificial Neural Networks to Cons

3、truct the Financial Distress Alerting Model for Listed Companies in the Perspective of Corporate Governance -A Case Study of TaiwanShi, Dong-Shin1 Yann, Chee-Wha 21Research Student Graduate School of Resources Management, National DefenseManagement College, Taipei, TaiwanAddress:150 Min-An Street, C

4、hung-Ho, Taipei County: 02-22222#8558:openpower1999yahoo.tw2 Assistant Professor Graduate School of Resources Management, National DefenseManagement College, Taipei, TaiwanAddress:150 Min-An Street, Chung-Ho, Taipei County: 02-22222#8558: cheewhahotmailABSTRACTTraditional studies utilize financial r

5、atios to construct financial distress alerting models. However, the models considering only financial ratios couldnt predict financial distresss happening in recent years. This study intends to construct financial distress alerting model not only with financial factors, but also with corporate gover

6、nance, which are demonstrated to affect financial distress dramatically. After combining the information of financial factors and corporate factors, this study creates a “corporate governance financial distress alerting model which can improve the weaknesses of traditional financial distress alertin

7、g modes. The study shows that Back-Propagation Neural Network model can learn from the data of bankrupt corporations and a matched group of survivor firms and hence foresee the happening of financial distress. In summary, our model can be used to assist investors, creditors, managers and auditors in

8、 Taiwan to forecast the event of corporate crisis.Keyword: Corporate Governance, Financial Distress, Back-Propagation Network, Alerting model壹、緒論近年來，台灣上市公司發生財務危機事件層出不窮，然而當一家上市公司發生財務危機時，其影響層面，不單只是公司內部遭到衝擊，外部環境也會遭到影響，包括上下游廠商、投資大眾、債權人與貸款銀行等，其影響層面甚廣。因此，假设能建立一個可及時有效預警台灣上市公司財務危機預警模型，供需求之人員运用，以提早發現潛在的財務危機。

9、在消極方面，可供投資人、債權人、稽核專員與貸款銀行等，來偵查及預防舞弊;在積極方面，可以讓上市公司管理者，作為早期財務危機事件發生的徴兆，以防患未然。1.1研讨背景與動機1.1.1財務危機背景回顧近年發生財務危機的上市公司，如過去的台灣博達、訊碟與美國恩隆財務危機事件，其管理者為了窗飾財務報表，就利用虛增买卖量、盈餘操縱與製造假營收等手法，致使財務報表欺偽不實 Kluger and Shields (1989)指出危機公司假设在破產之前，胜利以欺偽不實的財務報表隱瞞負面的財務資訊，稽核專員將很難將危機公司與正常公司區分，進而提早預警公司破產。，如這類型財務危機問題，假设採用早期學者建構的財務危

10、機預警模型，其預警效果並不高，因早期的預警模型，大都僅考慮財務變數，建構財務危機預警模型，假设面對欺偽不實財務報表的財務危機事件，將無法及時預警財務危機事件(如訊碟等)發生。因此，有必要利用財務報表以外的資訊，以提高預警效能。 1.1.2公司治理背景蕭天厚(2000)研讨發現企業界之高階經營管理階層與會計師事務所審計人員均認為係台灣企業極度缺乏健全之公司治理機制以監督或防範企業高階管理階層運用高度財務槓桿原理過度投資、投資不當、涉嫌挪用公司資產、炒作股票及護盤失利，是導致台灣地區企業發生財務危機之重要要素。柯承恩(2001)研讨指出，台灣上市公司1997以來所發生高層負責人挪用公司資金，進行股

11、價護盤，利益輸送等情形，以致於公司發生嚴重財務問題，使投資人及金融機構，皆遭到艰苦損失，此種系統性的問題顯示出我國公司治理體系存有艰苦結構性的缺失，必須進行根本的檢討與改進，才干有效的減少企業未來的財務危機。1.2研讨目的本研讨將比較分析参与公司治理要素後的預警模型，對台灣上市公司財務危預警模型的影響，進而建構適合現今台灣上市公司的財務危機預警模型，以有效預警財務危機事件發生，進而提早發現公司發生財務危機之能够性，以防止或降低社會大眾的損失。1.3研讨架構 本文研讨架構簡述如下1.樣本選取：研讨樣本經確定符合本研讨界定之正常公司及與危機公司之定義後採取為42家財務危機公司與84家正常公司，其研

12、讨樣本合計為126家。2.變數選取：研讨變數為參考國內外文獻選擇出15項財務變數及根據上市上櫃公司治理實務守則與國內外文獻探討，共篩選出3項公司治理變數，並由台灣上市公司之財務報表，公開說明書及其他對外公開之資訊等獲得相關資料。3.財務危機預警模型：利用倒傳遞類神經網路建構財務危機預警模型分別為:(1)以財務報表中的財務變數建構傳統財務危機預警模型；(2)將公司治理變數参与傳統財務危機預警模型，建構参与公司治理財務危機預警模型。4.預警模型比較分析：分析参与公司治理財務危機預警模型及傳統財務危機預警模型實證結果，探討公司治理要素能否可提升預警模型的預警才干。利用倒傳遞類神經網路建構傳統財務危機

13、預警(F)模型利用倒傳遞類神經網路建構参与公司治理預警(F&CG)模型財 務 變 數樣本與變數的選取公司治理變數變數數分析参与公司治理要素能否可提升財務危機預警模型的預警才干参与圖1研讨架構圖 研讨架構中的代號F與F&CG分別為:傳統財務危機預警模型，以(F)為其代號。参与公司治理財務危機預警模型，以(F&CG)為其代號。貮、文獻探討2.1財務危機之相關文獻企業在發生財務危機前，通常會先經歷一連串的事件，原因能够於現金流動性缺乏，產生週轉不靈、轉投資失敗與管理的品德危險發生等，進而導致本身的債務償還發生問題，致使公司面臨被清算或重整的危機。但企業要到達何種程度，才干被定義為公司發生財務危機。以

14、下是國內外學者對財務危機之定義：Ward and Foster (1996)定義財務危機公司為延緩、降低或無才干償還債務與利息與進行債務重整之公司。台灣經濟新報定義財務危機公司為跳票擠兌、倒閉破產、繼續經營疑慮、紓困、財務危機重整、接纳、全額下市、財務吃緊停工、淨值為負等九種情況。葉怡芳(2004)定義財務危機為經證券买卖所裁定符合證券交所營業細則第四十九條、第五十條及第五十之條一，上市公司股票變更买卖為全額交割、停顿買賣及終止上市之上市公司台灣證券买卖處理營運困難上市公司準則係依臺灣證券买卖所股份營業細則第四十九條、第五十條及第五十條之一(附錄)的規定訂之。依據，第四十九條、第五十條及第五十

15、之條一規定，上市公司發生規定情事之一者，其上市之有價證券买卖所核准變更原有买卖為全額交割、停顿買賣及終止上市條件者。 鄧志豪(1999)亞洲金融風暴期間台灣上市公司頻傳跳票、違約交割之情事，台灣之主管機關基於穩定整體經濟之考量，採取假设干緊急紓困之措施，如要求銀行給予債務展延、股票暫停买卖、設紓困窗口 接受企業申請紓困等；因此有些公司雖未達到證券买卖所全額交割股票之標準，且仍在市場上正常买卖，但其公司股票市價至今已餘不到面值之非常之一，且債權銀行的債務清償經展延緩後亦遙遙無期，且綜觀國內公司財務危機之引爆通常由公司跳票及大股東違約交割揭開序幕，與國外直接宣告破產有所不同，所以國外學者的財務危機

16、之定義並不適用於台灣財務危機上市公司。在本論文採用財務危機公司定義，為經台灣證券买卖所之裁定為全額交割之上市公司且符合台灣經濟新報資料庫財務危機之定義，即歸類為財務危機上市公司。2.2公司治理之相關文獻Daily and Dalton(1994)研讨指出，考慮股權結構要素能提高對企業預警的正確率，其研讨指出公司治理指標有提升危機預警模型的預測才干。柯承恩(2001)我國企業因為股權集中以及一切權與經營權重疊的現象，公司經營通掌握在主要股東或其家族之中，其個人或家族持有公司股權的各種狀況(如買賣、質押等)也影響到其對原公司的經營行為。從1997年後發生財務危機的上市公司的案例，許多上市公司的負責

17、人利用股票質押的資金炒作股或擴張企業版圖，當股價下跌時，便動用或濫用公司資金支撐股價，以致於公司入財務危機。呂紹強(2000)研讨指出董監事持股質押成數與財務危機發生之機率呈正相關。Johnson et al. (2000)表示對於財務危機模型，公司治理變數可以提供比總體經濟變數更好解釋才干。Lee and Yeh (2004)研讨發現公司治理指標對於上市公司發生財務危機的機率有顯著正向的解釋與預測才干，且公司治理機制較差的公司，發生財務危機的機率較高。Rezaee (2005)指出公司治理資訊，能預防財務報表的欺偽不實的發生及提早偵查出欺偽不實的財務報表。根據過去文獻回顧，可發現公司的財務危

18、機發生與公司治理-股權結構，有亲密的關連性，所以本論文在財務危機預警方式中参与公司治理-股權結構相關變數以期提高對於財務危機發生之預測才干。2.3財務危機預警模型之相關文獻國內外學者探討財務危機預警模型之文獻眾多，因呵斥財務危機發生的缘由不同，所採用的指標各異，而伴隨統計軟體及電腦科技發展，亦出現不同的建模方法，從早期的Beaver(1966)即是利用單變量分析預警企業財務危機，Ohlson(1980)則是採用Logit模型，到了後來Odom and Sharda1990開始运用人工智慧，將類神經網路運用在財務危機預警。鑑於導致財務危機發生的缘由日漸複雜，假设只以財務報表上的財務變數指標，已不

19、能有效的預警財務危機的發生，於是非財務變數指標，也成為後續學者的参与財務預警模型重要變數，以有效預警財務危機的發生。但非財務變數指標，大都是非線性變數，以致於後來的預警模型，逐漸採用處理非線性變數較佳及限制較少的類神經網路方法來建構預警模型。以下為財務危機預警模型的歷史回顧：單變量分析早期的危機預警模型，採用單一財務變數指標，並利用單變量分析建立預警模型，以預警財務危機的發生。利用某一特定財務比率將一切樣本按大小予以陈列，並以二分類檢定法找出一個能使分類誤差最小的分割點，再以最正确分割點對樣本間作區隔，分類錯誤率最小的財務比率即為最正确預測變數。 Beaver (1966)採用單變量分析法。以

20、配對方式，在1956年至1964年間選取79家發生財務危機的公司為樣本，利用30個財務比率及二分類檢定法進行研讨。其研讨發現預警財務危機的三項最正确比率：(1)現金流量對總負債比率；(2)稅後淨利對總資產比率；(3)總負債對總資產比率，其中以現金流量對總負債最具有預警才干。 單變量分析建立預警模型，其優點在於計算簡便，但運用單一財務比率，來預警財務危機的發生，似乎有失偏頗，且企業的財務危機，不能够只依一個變數來表示，應綜合多項財務指標才具客觀性。因此後續學者開始同時参与多項財務變數於財務預警模型。多變量區別分析以多個變數参与預警模型，先確定發生財務危機的群體，再找出與財務危機公司相近的正常公司

21、作配對，利用要素分析法或逐渐區別分析法，找出具有代表性又能區別正常公司與財務危機兩個不同的群體，再由變數中，找出可以區別兩群體的變數，給予不同權重後可構成類似迴歸方程式的區別函數，找出使分類誤差最小的分割點，再以分割點對樣本間作區隔。Altman (1968)以1:2配對方式，選取1956年至1965年間選取破產公司及正常公司共33家。採用逐渐區別分析。從流動性、獲利力、財務槓桿、償債才干與活動力五種類別的財務比率，共二十二個財務比率，以要素分析，萃取出五個財務比率，以建構財務預警模型。研讨發現破產前一年之正確率區別率高達95%，前兩年降至83%，隨時間拉長，正確率愈來愈低。研讨結果顯示區別分

22、析在財務危機預警模型，短期有效，在期間超過兩年，其效度降低。多變量區別分析對財務危機的預測才干較單變量分析高。 多變量區別分析方法雖有良好的區別才干，但必需符合三項統計假設：(1)估計變數需符合常態分配；(2)共變異數矩陣一样；(3)變數之間不具有高度線性相關。因此在應用時，假设沒有符合假設條件，能够會呵斥研讨結果出現極大的偏向(謝國男，2003)。其預警模型會隨著時間的拉長，其預警效果會遞減。為了防止其限制，後來的學者開始採用迴歸分析法。迴歸分析模型 由於區別分析必須滿足母體為常態分配的假設條件，其常態假設之條件常無法符合。所以學者們開始採用迴歸分析法建立財務危機預警模型，得以解決非常態自變

23、數狀況的問題，而且求得機率值符合機率原理(機率值介於0與1之間)、及適用於非線性模型，當迴歸模型之應變數呈現二分類時，亦即應變數有兩種結果。Ohlson (1980)選取1970年至1976年間，105家財務危機公司與2058家正常公司為樣本，採用九種財務比率，並利用logit方法與區別分析法，建立三年之財務預警模型，其研讨發現，規模大小、財務結構、經營績效及流動性力，其與發生財務危機機率具有高度相關性。公司發生財務危機前一到三年，其正確區別分為96.12%、95.55%、92.38%，其結果指出logit區別效果比區別分析好。 Nam and Jinn (2000)利用1:2配對方法，選取在

24、韓國發生金融危機的期間從1997年至1998年的45家在韓國破產公司，考慮公司財務與總體經濟要素並利用logit，建立破產預警模型，而預警期間是由1991至1996年，其預警破產機率分別為77.8%、80.4%、87.0%、76.1%、76.1%與80.4%，研讨結指出在1997年到1998年間的金融危機，除了外匯买卖市場短時間劇烈變動的缘由，韓國公司營運續效長期持續不良，也是呵斥金融危機的其中缘由之一。Barniv et al. (2002)選取1980年至1995年間237家財務危機公司，配對超過3000家正常公司，运用財務變數和非財務變數發展一個10個變數的Logistic預測模型。研讨

25、發現，五個非財務變數(會計師簽證等)的預測模型比五個財務預測變數的模型來得好，假设只需运用財務報表資料，其預警效果不佳。2.3.1類神經網路類神經網路早在1980年代初期時就已經被應用在商業方面的問題，Krishnaswamy et al. (2000)股價預測、債劵利率預測、外匯市場、公司財預危機預警等。在財金領域中，以倒傳遞網路模型，最具代表性，其可從外界環境和其他人工神經元获得資訊，並加以簡單的運算，再將結果輸出到外界資訊或其他人工神經元，其學習精確度高，且樣本識別及分類問題皆可运用，且樣本不用符合常態假設多變量區別分析，其變數有許多根本假設，如常態分配等，但財務指標，大多違反了其多變量

26、區別分析的根本假設(Coats and Fant,1995)。，也無變數共線性的問題，因此應用較廣。Odom and Sharda (1990)以1975年至1982年間的65家財務危機公司與64家正常公司，並將樣本區分為訓練樣本與測試樣本，該研讨以 Altman (1968)研讨中的五個財務比率，選取企業財務危的前一年的財務資料分別利用區別分析與類神經網路建立兩種預警模型，以比較類神經網路與區別分析的不同，研讨結果指出類神經網路模型預警效果比區別分析預警模型較佳。Coats and Fant (1993)分析1970年至1989年間Standard and Poor財務資料並選取94家失敗公

27、司及188家正常公司之五項財務比率，研讨結果指出，財務危機公司與正常公司在財務危機發生當年及前三年的財務比率的確有很大的差異，且失敗公司之財務比率明顯逐年惡化，正常公司則無此一趨勢。類神經網路模型預警準確度比多變量區別分析模型佳。Jo and Han (1997) 選取1991至1993年間，韓國171破產公司與171正常公司為樣本，並利用多變量區別分析與案例式推理，類神經網路-多層前饋網路，來建立破產預警模型，並比較三種模型的預警效果，其研讨發現以類神經網路-多層前饋網路模型最正确。Anandarajan and Anandarajan (1999)選取1990年至1991年間，符合條件的公

28、有90家公司，再隨機選取61家公司，再以區分37家為訓練樣本，24家為驗證樣本，分別用類神經網路、專家系統及多變量區別分析，並利用稽核專員的稽核報告建構預警模型，其研讨結果指出以類神經網建構預警模型為最正确，預警正確率為85.8%、69.1%及74.1%。另外，研讨指出良好的預警模型，可幫助稽核專員更容易稽核出財務危機公司。Lin et al. (2003)以1980年至1995年間，Standard and Poor財務資料選取40家欺偽財報公司及無欺偽財報160家公司，以1：4配對，再以八項財務指標，研讨指出模糊類神經(FNN)其預警能否為欺偽財務報表的正確率比Logit模型高，並建議稽核

29、人員可以FNN或者Logit建立預警模型來提升稽核效率。Charitou et al. (2004) 以英國公開發行的公司為研讨對象，選取1988至1994年間破產公司為訓練樣本，再選取1995至1997年間破產公司為驗證樣本；先選取出破產公司，再選取正常公司給予配對後，分別利用類神經網路與羅吉士(logit)建立公司破產預警模型，其研讨指出，添加新的預警變數-營業活動的現金流量，有助對英國的公司破產預警模型的預警才干的提升，另外，比較類神經網路與logit的預警效果，以類神經網路，在第一年及第三年的預警效果較佳。Lee et al. (2005) 選取韓國1995至1998年間的84家危機公

30、司與84家正常公司，分別利用監督式倒傳遞類神經網路ANN與非監督式自組織映射圖類神經網路SOM ，建立破產預警模型。研讨指出，監督式倒傳遞類神經網路預警正確率高於非監督式自組織映射圖類神經網路。其研讨顯示在現今快速變化的商業環境下，投資者、貸款銀行與上市公司本身，需求一個預警正確率高的危機預警模型，來偵查及預防舞弊。由於財務指標與公司治理之變數，大多屬於非線性變數，本論文將採用類神經網路來建構財務預警模型。 參、研讨方法先界定財務危機之定義，其次說明樣本特性及變數之定義，最後說明倒傳遞類神經網路與財務預警模型之建構。3.1財務危機之定義本論文以台灣地區上市公司為研讨樣本，其區分為： (一)、財

31、務危機公司本論文採用經證券买卖所裁定為全額交割之上市公司且符合台灣經濟新報財務危機定義，假设符合上述二項條件之上市公司，即歸類為財務危機公司。在2000年2005年12月期間的台灣上市公司經確定符合本論文界定之財務危機定義，共有42家財務危機公司樣本。(二)、正常公司假设未符合全額交割之上市公司及台灣經濟新報對財務危機公司定義，即歸類為正常上市公司 。(三)研讨樣本配對按照Beaver(1966)、Altman(1968) 與Lacher and Coats(1993)的樣本配對準則，選取一家危機公司與兩家正常公司(1:2)，作為配對樣本，其研讨樣本為42家財務危機公司與84家正常公司，其研讨

32、樣本按照財務危機公司，選取同一產業正常公司，給予配對。再按照財務危機發生前一至三季的時間，分別決定正常公司的對應取樣期間，其財務資料亦應完好，假设樣本資料不完好，此樣本將不採用。合計為126家3.2預警模型之變數定義 財務變數與公司治理變數之資料來源：1.台灣經濟新報社(TEJ)之上市公司財務資料庫;2.上市公司公開說明書;3.上市公司年報;4.台灣證券买卖之證交資料;5.台灣證券买卖所公開資訊觀測站一、應變數本研讨之應變數為二元虛擬變數， Y=1 表示財務危機上市公司，Y=0 為正常上市公司。二、自變數(一) 財務變數因財務報表本身就具有解釋公司營運績效、評估企業經營風險及評估公司財務能否建

33、全等的才干。因此本論文所运用的財務變數，是從財務報表財務分析中常用的財務比率與過去文獻所採用財務比率變數，選取合適的財務構面，共選取15項財務變數，詳列如下:表1財務變數表財 務 變 數X1負債比率 X9固定資產週轉率X2長期資金適足性X10營業毛利率 X3債本比X11淨值報酬率 X4速動比率 X12營業利益率 X5流動比率 X13營業收入成長率 X6現金流量比率 X14淨值成長率 X7應收帳款週轉率X15營業利益成長率 X8存貨週轉率- -(二) 公司治理變數公司治理的變數，根據上市上櫃公司治理實務守則 (民國 94 年 10 月19日修正)與國內外文獻探討，共篩選出公司治理變數3個。表2公

34、司治理變數表公 司 治 理 變 數X16董、監事持股比率X17全體董、監事質押比率持股X18主要經理人持股比率3.3倒傳遞類神經網路模型倒傳遞類神經網路，是在1986年由Rumelhart和McClelland 二人所提出，為目前類神經網路中運用最為廣泛。3.3.1倒傳遞演算法羅華強(2001)對於多層網路，其每一層的輸出將為下一層的輸入，如下式: am+1=fm+1(Wm+1am+bm+1) m=0,2,M-1 (3.1)其中，M是網路中層的數目；b:純量偏權值；W:純量權重值。第一層神經元所接纳到外部的輸入，如下： a0=p (3.2)而式3.2為式3.1的起始點。最後一層神經元的輸出為此

35、網路的輸出，如下： a=aM (3.3)本研讨建構之財務危機預警模型網路架構圖(如圖2)：a2輸入層b1n11W1.RW1.1隱藏層X1X2XRb2n2y輸出層a1=tansig(IW1,1p1+b1);a2=logsig(LW2,1a1+b2)a2P1 圖2財務危機預警模型之網路架構 X:輸入自變數; R:輸入的數目; P:輸入向量; a:轉移函數的輸出向量;LW:層權重值矩陣; n:轉移函數的淨輸入;s:神經元個數; IW:輸入權重值矩陣tansig & logsig:轉移函數(附錄一); y:輸出應變數;w:純量權重值; b:純量偏權值，其為固定輸入值:1。3.4財務危機預警模型之建構利

36、用倒傳遞類神經網絡(Back-Propagation Network, BPN) 以十五個財務變數及三個公司治理變數，分別建構財務危機事件發生前一季、前二季與前三季之台灣上市公司財務危機預警模型(如圖3)。前一季F預 警 模 型前一季F&CG預警模型前二季F預 警 模 型前三季F&CG預警模型前三季F預 警 模 型前二季F&CG預警模型財務危機預警模型台灣經濟新報資料庫前一季前二季前三季模型預警才干比較分析F&CG預警模型F預警模型圖3 財務危機預警模型之架構3.5倒傳遞類神經網路運作方式倒傳遞類神經網路運作方式，可分為學習過程及驗證過程。(一) 學習過程類神經網路能正確的運作，則必須透過訓練

37、的方式，讓類神經網路反覆的學習，直到對於每個輸入都能正確對應到所需求的輸出，因此在類神經網路學習前，我們必須建立出一組訓練樣本使類神經網路在學習的過程中有一個依據，訓練樣本的建立來自於實際系統輸入與輸出或是以往的經驗。類神經網路的任务性能與訓練樣本有直接的關係，假设訓練樣本不正確、太少或是太类似，類神經網路的任务區間與才干將大打折扣。類神經網路訓練的目的，就是讓類神經網路的輸出越接近目標值越佳。亦即，一样的輸入值進入到系統與類神經網路，得到的輸出值亦要一样。類神經網路未訓練前，其輸出是凌亂的，隨著訓練次數的添加，類神經網路的鍵結權重值會逐漸的被調整，使得目標值與類神經網路的輸出兩者誤差越來越小

38、。當兩者的誤差幾乎不再變化時，我們稱此類神經網路已收斂，此時類神經網路便訓練完成。(二) 驗證過程當最正确化的倒傳遞類神經網路模型接纳輸入變數時，網路會依據由學習過程所求得處理單元間之轉移函數，逐層往上傳送，最後求得輸出層產出的輸出值(文武，2004)。肆、實證分析本研讨以十五個財務變數及三個公司治理變數，並利用倒傳遞類神經網路建構台灣上市公司財務危機預警模型，且將一切的產業納入財務危機預警模型，藉以建構出能預警一切產業的財務危機預警模型。並將研讨樣本區分成兩個部分為：(1)訓練樣本，以決定財務危機預警網路的權重值與偏權(2)驗證樣本，以驗證財務危機預警的準確度。其配對比例為1:2進行配對，危

39、機上市公司與正常上市公司家比例如下:(1)訓練樣本：33家危機公司，66家正常公司。 (2)驗證樣本： 9家危機公司，18家正常公司。建構模型區分為傳統財務危機預警(F)模型與参与公司治理之財務危機預警 (F&CG)模型。4.1傳統財務危機預警模型模擬結果以X1至X15之財務變數，為預警模型輸入自變數，以上市公司能否發生財務危機(0，1)為輸出應變數 Y=1 表示危機公司，Y=0 為正常公司。，建構傳統財務危機預警模型，結果如表3：表3前一至三季F預警模型驗證模擬結果季 別前一季前二季前三季預警模型F&CG預警模型F&CG預警模型F&CG模型預警正確率(%)10088.8892.59型一錯誤率

40、(%)007.40型二錯誤率(%)011.110預警錯誤樣本編號無6,21,2417,20由表3得知：(a)在F預警模型中，其驗證樣本中預警錯誤樣本編號為24，預警正確率96.29%、型一錯誤率為0%與型二錯誤率為3.70%。(b)在F預警模型中，其驗證樣本中預警錯誤樣本編號為6,19,21,24，預警正確率為85.18%、型一錯誤率為0%與型二錯誤率為11.11%。(c)在F警模型中，其驗證樣本中預警錯誤樣本編號為6,19,21,24，預警正確率為85.18%、型一錯誤率為7.40%與型二錯誤率為7.40%。4.2参与公司治理財務危機預警模型模擬結果以X1至X18之財務變數與公司治理變數，為

41、預警模型輸入自變數，以上市公司能否發生財務危機(0，1)為輸出應變數，建構参与公司治理財務危機預警模型，結果如表4：表4前一至三季F&CG預警模型驗證模擬結果季 別前一季前二季前三季預警模型F預警模型F預警模型F預警模型預警正確率(%)96.2985.1885.18型一錯誤率(%)007.40型二錯誤率(%)3.7014.817.40預警錯誤樣本編號驗證樣本為27家上市公司，給予編號，由127。246,19,21,249,10,17,20由表4得知：(a)在F&CG預警模型中，其驗證樣本中預警 錯誤樣本編號為無，預警正確為100%、型 一錯誤率為0%與型二錯誤率為0%。(b)在F&CG預警模型

42、中，其驗證樣本中預警 錯誤樣本編號為6,21,24，預警正確率為88.88%型一錯誤率0%為與型二錯誤率為14.81%。(c)在F&CG預警模型中，其驗證樣本中預警錯誤樣本編號為17,20，預警正確率為92.59%、型一錯誤率為7.40%與型二錯誤率為0%。4.3 F模型與F&CG預警模型之結果分析由表5.研讨結果顯示前一至前三季的預警錯誤樣本分析得知，在参与公司治理財務危機預警(F&CG)模型，其預警錯誤樣本，在傳統財務危機預警模型中，一定會發生一样錯誤，但在傳統財務危機預警模型所發生的預警錯誤樣本，在参与公司治理後的F&CG預警模型，不一定會發生錯誤。由此可知，F&CG預警模型，其鑑別財務

43、危機公司與正常公司之預警才干比F預警模型高。表5財務危機預警模型之預警錯誤樣本財務危機預警模型預警錯誤樣本編號前一季F預警模型24-F&CG預警模型-前二季F預警模型06212419F&CG預警模型062124-前三季F預警模型17200910F&CG預警模型1720-由圖4研讨結果顯示公司治理變數納入財務預警模型中，是可以提升財務危機預警模型的預警才干，其預警正確率高於傳統財務危機預警(F)模型。由前一季至前三季的参与公司治理之財務危機預警(F&CG)模型，其預警正確率分別為100%、88.88%、92.59% 。圖4 圖3中，X軸之1、2、3，分別代表發生財務危機前一季、前二季、前三季 ;

44、 Y軸為驗證樣本之預警準確率。 驗證樣本之預警正確率伍、研讨結論與建議5.1研讨結論研讨結果說明，添加董監事持股比率、全體董、監事質押比率與主要經理人持股比率3個公司治理變數可有效提升預警模型對財務危機上市公司與正常上市公司鑑別力。因此，也說明在財務危機預警模型添加新的輸入變數 (Charitou, Neophytou, and Charalambous，2004)指出添加財務危機預警模型的輸入的資訊，可提升預警模型的對新的破產公司形態的解釋才干，進而提升預警模型的預警才干。 -公司治理資訊，能提升上市公司財務危機預警模型的預警才干，進而提早預警財務危機事件及預防舞弊的發生。 5.2研讨建議本

45、研讨證實倒傳遞類神經網路所建構財務危機預警模型能有效預警台灣上市公司財務危機，但就實務上，上市公司財務危機之缘由除了以財務比率與公司治理分析外，尚可考量其他要素，例如：政府法律規章變更、國際經濟的衝擊等。因此，假设能將其他與財務危機有關的要素参与類神經網路輸入變數中，再一次驗證能否可以提升預警模型預警準確率。促使財務危機預警模型的預警才干更為精準。5.3研讨假設與限制本研讨的限制與假設有以下幾點:1.對於財務性資料，由於已經過會計師查核簽證及證管會之監督，因此假設並無虛偽之情事，而予以信任。2.公司治理構面多屬質性資料，量化不易，且受限於資料的可获得性，因此只能選擇性而不能全面性納入的公司治理

46、變數，建構財務危機預警模型。6. 參考文獻1呂紹強(2000)，企業財務危機預警模型之研讨-以財務及非財務要素構建，當代會計，第一卷，第一期，p19-40。2柯承恩2000，我國公司監理體系之問題與改進建議上下。會計研讨月刊， 173期，75-81；174期，79-833葉怡芳(2004)，構建財務危機預警方式-支向機與羅吉斯之應用，元智大學會計研讨所。4鄧志豪，1999，以分類樣本偵測地雷股新財務危機預警模型，國立政治大學碩士論文。5蕭天厚(2000)，企業財務危機要素認知之研讨-從公司監理角度之探討，國立臺灣大學會計學研讨所。6Altman, E. I. (1968), “Financia

47、l Ratios, Discriminant Analysis And The Prediction of Corporate Bankruptcy, Journal of Finance, 23(4), 589-609.7Charitou, A., Neophytou E. and Charalambous, C. (2004), “Predicting Corporate Failure: Empirical Evidence for the Uk, European Accounting Review, 13(3), 465-497.8Beaver, W. H. (1966), “Fin

48、ancial Ratios as Predictors of Failure, Journal of Accounting Research, 4 (3), 71-111.9Kluger, B. D. and Shields, D. (1989), “Auditor Changes, Information Quality and Bankruptcy Prediction, Managerial and Decision Economics, 10(4), 275-282.10Coats, P. K. and Fant, L. F. (1993), “Recognizing Financial Distress Patterns Using a Neural Network Tool, Financial Management (Financial Management Association ), 22(3) 142-155.11Daily, C. M. and Dalton, D. R. (1994), “Bankruptcy and corporate governance: The impact of board compo