企業財務危機預測能夠提供企業經理人與投資人對於目前企業營運狀況預警之功能，於是各學者提出不同的預警模型解釋與預測企業是否面臨財務危機，在不同的預警模型中，可依模式中所使用之分析方法區分為三種模式：簡單易用之單變量模型，需符合統計假設之多變量模型與不需統計假設之類神經網路模型，然而這些模形皆無考慮不同產業別會有不同財務危機之模式，因此本研究採用不需統計假設之類神經網路之優點，提出建構產業別財務預警模型之流程。本研究最後以實證資料驗證本研究所提出方法之可行性，並且與其他學者之模型進行比較，發現本研究提出之模式較適合應用在台灣電子業的財務危機預測，但在台灣營造業的表現就不如其他模式。

The enterprise finance crisis forecast could provide alarm to managers and investors of the enterprise, many scholars advised different alarm models to explain and predict the enterprise is facing finance crisis or not. These models can be classified into three categories by analysis method, the first is single-variate model, it’s easy to implement. The second is multi-variate model which need to fit some statistical assumption, and the third is Artificial Neural Network model which doesn’t need to fit any statistical assumption. However, these models do not consider the industrial effect, different industry could have different finance crisis pattern. This study uses the advantage of Artificial Neural Network to build the process of the enterprise finance crisis forecast model, because it doesn’t need to fit any statistical assumption. Finally, the study use reality finance data to prove the process, and compare with the other models. The result shows the model issued by this study is suitable in Taiwan Electronic Industry, but the performance in Taiwan architecture industry is not better than other models.

第一章：緒論
第一節：研究動機
第二節：研究目的
第三節：研究架構
第四節：研究範圍與限制
第二章：文獻探討
第一節：企業財務危機
第二節：財務危機預警模型
第三節：財務預警模型之變數
第四節：預測財務危機方法比較
第五節：類神經網路
第三章：研究方法
第四章：實證研究
第一節：以類神經網路建構產業別預警模型
第二節：與Beaver單變量預警模型比較
第三節：與Altman之Z-score多變量預警模型比較
第四節：與Logit迴歸法預警模型比較
第五節：與Odom之類神經網路模型比較
第五章：結論與建議
第一節：研究發現與結論
第二節：研究貢獻
第三節：後續研究建議

1.Altman, E. I.,(1968) ,“Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy”, Journal of Finance, Vol.23, No.4，p589-609.
2.Beaver, W. H.,(1996),“Financial Ratio as Predictors of Failure”, Empirical Research in Accounting: Selected Study, Supplement to Journal of Accounting Research, p71-111.
3.Blum,M.（1974）, "Failing company Discriminant Analysis ",Journal of Accounting Research ,Spring 1974 , p1-25
4.Deakin, E. B.(1972), "A Discriminant Analysis of Predictors of Business Failure," Journal of Accounting Research, pp.167~179.
5.Gessner, G., W. A. Kamakura, N. K. Malhotra, and M. E. Zmijewski, (1988), Estimating models with binary dependent variable: Some theoretical and empirical observations. Journal of Business Research, 16(1)：p49-65.
6. Hair,J. F., B Black, B. Babin, R. E. Anderson and R. L. Tatham,(2005),” Multivariate Data Analysis ,6 edition”,Pearson Eduation International.
7.Koh, H., (1991), “Model predictions and auditor assessments of going concern status”, Accounting and Business, Vol.21, p331-338
8.Laitinen, E.K.（1991）"Financial Ratios and Different Failure Processes." Journal of Business Finance & Accounting , pp.649-73.
9.Mensah, Yaw M., (1984) , “The Differential Bankruptcy Predictive Ability of Specific Price Level Adjustments: Some Empirical Evidence” , The Accounting Review, Vol.58, p228-247
10.Odom, M.D. and R., Sharda, (1990), “A neural networks for bankruptcy prediction”, IEEE INNS International Joint Conference on Neural Networks, Vol.2, p163-168
11.Ohlson, J. A., (1980),“Financial Ratios and the Probabilistic Prediction of Bankruptcy”,Journal of Accounting Research, Vol.18, No.1, p109-131
12.Tam, K., and M. Kiang, (1992), “Managerial applications of neural networks ： the case of bank failure predictions”, Management Science, Vol.38, p926-947
13.李欣霖，考慮總體環境不確定性下之財務危機預測模型-以台灣上市公司為例，交通大學經營管理研究所碩士論文,2005
14.潘玉葉，台灣股票上市公司財務危機預警分析，淡江大學管理科學研究所博士論文，1990
15.陳肇榮,運用財務比率預測企業財務危機之實證研究，政治大學企業管理研究所博士論文,1983。
16.陳建賓, 加入公司治理指標的企業財務危機預測研究：Logistic 模型的應用, 淡江大學財務金融研究所碩士論文,2003
17.戚務君，運用財務報表分析財務困難之研究— 以台灣地區上市公司為例，交通大學管理科學研究所碩士論文，1991
18.郭瓊宜，類神經網路在財務危機預警模式之應用，淡江大學管科學研究所碩士論文，1993
19.戴鳳玲，類神經網路與Logit 模式對財務危機預測能力之比較研究— 以台灣股票上市公司為例，東吳大學企管研究所碩士論文，1996
20.藍國益,企業財務危機預警模式之研究－考慮股權結構之研究, 東吳大學企管研究所碩士論文,1995
21.蔡秋田，運用類神經網路預測上市公司營運困難之研究，成功大學會計研究所碩士論文，1995
22.黃俊英，『企業硏究方法』; 國立編譯館主編，臺北市 : 東華, 1994
23.葉怡成，『類神經網路模式應用與實作』，臺北市 : 儒林, 2003