隨著電腦科學的進步，電腦的速度與功能也愈來愈強大，更因為電腦的運算速度的提升，使得人工智慧技術也漸漸地成為協助處理複雜難題的工具。而類神經網路是近年來在人工智慧技術領域中相當重要的一種方法，且各項發表與實證指出，類神經網路在分類與預測企業財務危機價值上有相當良好的參考性。在金融風暴後，台灣許\\多體質不健全的公司陸續爆發財務危機引起股市重挫，造成了投資者的重大損失。在本研究裡希望建立一套早期預測系統(EWS)來預測企業財務危機。

本研究整合類神經網路用於分類的自組織映射圖 (Self-Organizing Map；SOM)與結合預測的倒傳遞網路 (Back-Propagation Neural Networks；BPN)的混合式類神經預測模型，並與單純倒傳遞網路 (Back-Propagation Neural Networks；BPN)模型進行財務危機預測之比較與驗證。本預警模型採用過去文獻中所使用16個財務變數作為輸入資料。

研究結果驗證，自組織映射圖神經網路結合倒傳遞神經網路財務預警模型，其預測準確率優於對照組只有使用倒傳遞神經網路的財務預警模型。因此可知藉由群組分類的幫助更可以掌握環境的變化去作動態學習，進而提供投資人明確的公司財務資訊，而輔助決策者做正確判斷的標準。

With the advance of computer science, the processing power and speed of computer increase dramatically. Such improvement also allows Artificial intelligence a feasible tool to assist on dealing with complex problem or scenario. In recent year, the neural network has become an important methodology in Artificial intelligence technology field. It is capable of producing good referential materials for categorizing and predicting financial crisis rights worth.After Financial Crisis, many unhealthy companies busted out emerging financial crisis and led to the crash of the stock market. For our study, we try to build early warning System (EWS) for predicting financial distress. In out research, a neural network to categorized Self-Organizing Map and combine with predicted Back-Propagation Neural Networks to produce Hybrid-Neural Networks Forecast Model is applied. This study also compares and checks Hybrid-Neural Networks Forecast Model with simple Back-Propagation Neural Networks model. The predicting models in this investigation employed 16 financial variables, selected in previous research on financial distress, as input variables.

For our results pointed out that the accuracy rate with the predicting model of self-organizing map neural network combined with Back-propagation neural network was much better than the control group which only adopted back-propagation neural network models.

The thesis attempts to apply clustering technique, which to grasp the environmental changes, to make a dynamic learning and to provide investors more explicit company information to support decision-makers to do the correct choice.

key word: Self-organizing map、 backpropagation neural network、 financial distress prediction model

封面內頁
簽名頁
中文摘要 iii
英文摘要 v
目　錄 vi
圖目錄 vii
表目錄 viii
第一章　緒　論 9
第一節 研究背景與動機 9
第二節 研究目的 10
第三節 研究流程 11
第二章 文獻探討 13
第一節 企業財務危機的定義 13
第二節 財務危機預警模型相關探討 19
第三章 研究方法與設計 39
第一節 研究方法 39
第二節 樣本選取與資料收集 40
第三節 產業特性 40
第四節 財務比率的選取 41
第五節 模型建構與分析方法 43
第四章 實證分析 46
第一節 倒傳遞神經網路研究方法建構流程 46
第二節 自組織映射圖加倒傳遞類神經網路財務預警模型建構流程 50
第三節 倒傳遞類神經網路預警模型數據分析 53
第四節 自組織映射圖對倒傳遞類神經網路學習的影響 59
第五章 結論與建議 64
第一節 結論 64
第二節 建議 65
參考文獻 66
中文參考文獻 66
英文參考文獻 68

中文參考文獻
何素素，2002，”財務比率分析應用於企業診斷之研究-以台灣地區上市櫃公司為例”，淡江大學管科所碩士論文。
宋宜哲，2000，” 營建廠商信用評等模型之初步研究”， 國立台灣科技大學營建工程系碩士論文。
林萍珍，2007，”投資分析 -含Matlab應用、遺傳演算法與類神經網路模型” ，新陸書局。
林聖智 ，2007，”應用自組織映射圖神經網路與倒傳遞類神經網路於台指選擇權波動率指數之研究”，國立交通大學資訊管理研究所碩士論文。
林維垣，2007，”以自組織映射圖網路為基礎建構多種投資組合策略之研究－以台灣上市電子公司為例。”，國立交通大學資訊管理研究所碩士論文。
武維邦、陳柑，2006，”企業財務危機預測模式之研究”，工商管理學刊vol. 2, no. 1, page 15-26 (August, 2006) 。
邱憶如，2008，”應用自組織映射圖神經網路及倒傳遞類神經網路於機構投資人融資券行為分析研究-以台灣50 期貨指數為例”，國立交通大學資訊管理研究所碩士論文。
夏百陽，2002，”上市公司財務危機預警模式之建立”，銘傳大學金融研究所，碩士論文。
張永昌，”國內商業銀行零售型資產信用風險之研究-以消費者貸款為例”，東吳大學經濟學系碩士論文。
戚務君，1991，”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。
郭瓊宜，1994 ，”類神經網路在財務危機預警模式之應用”，淡江大學管理科學研究所碩士論文。
郭瓊宜，1994，”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。
陳武倚、許晉源，2006，”運用自組織映射圖網路於知識地圖之應用。”
陳建賓，2003，“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。
陳肇榮，1983，運用財務比率預測企業財務危機之實證研究，國立政治大學企業管理研究所博士論文。
湯玲郎、施並洲，2001，”關聯分析、類神經網路、案例推理法於財務危機預警模式之應用研究 ”，Mar 2001, 中華管理評論Vol.4, No.2, pp.25∼37。
黃志力，2007，”企業財務危機預測─以類神經網路建構產業別預警模型”，國立中山大學企業管理學系研究所碩士論文。
潘玉葉，1990，”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。
蔡承忠，2006，”運用自組織映射圖探討台灣上市公司中財務危機公司之軌跡圖”， 國立高雄第一科技大學碩士論文。
蔡秋田，1995，”運用類神經網路預測上市營運困難之研究”，國立成功大學會計研究所碩士論文。
鄧志豪，1999，”以分類樣本偵測地雷股－新財務危機預警模型”，國立政治大學金融學系碩士論文。
鄭碧月，「上市公司營運危機預測模式之研究」，亞太金融中心──企業融資、授信與金融創新研討會，民國八十六年。
鄭碧月，1997，”上市公司營運危機預測模式之研究”，朝陽技術學財務金融研究所碩士論文。
蘇錦暉，2009，”企業危機的形成與預警模式之建立”，國立中山大學企業管理學系研究所碩士論文。
黃俊英，1994，”企業硏究方法”， 國立編譯館主編，臺北市 ， 東華書局。

英文參考文獻
Altman, E.I., Financial Ratios (1968), “Discriminant analysis and the prediction of corporate bankruptcy”, Journal of Finance, pp.589-609.
Altman, E.I.; Marco G.; Varetto F. (1994), "Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks", Journal of Banking and Finance, Vol.18, pp.505-529.
Beaver, W. H., “Financial ratios as predictors of failure”, Journal of Accounting Research (1966), pp.71-111.
Brockett, P. L.,W. W. Cooper, L. L. Golden and U. Pitaktong (1994). A Neural Network Me-thod For Obtaining An Early Warning Of Insurer Insolvency, Journalof Risk and Insur-ance, 61(3): 402.
Brockett, P. L.,X. Xia and R. A. Derrig (1998). Using Kohonen’s Self-OrganizingFeature Map to Uncover Automobile Bodily Injury Claims Fraud, Journal of Risk and Insurance, 65(2):245.
Charitou, A., Neophytou E. and Charalambous, C. (2004), “Predicting Corporate Failure: Em-pirical Evidence for the Uk”, European Accounting Review, 13(3), 465-497.
Lee, K., Booth, D. and Alam, P. (2005), “A comparison of supervised and unsupervised neural networks in predicting bankruptcy of Korean firms”, Expert Systems with Applications, 29(1), 1-16.
Lau, A. H. L. (1987), “A Five-State Financial Distress Predication Model”, Journal of Accounting Research, vol.25, pp.127-138.
Murguan Anandarajan, Picheng Lee and Asokan Anandarajan (2001), “Bankruptcy prediction of Financially stressed firsm:An examination of the predictive accuracy of artificial neu-ral networks,” International Journal of intelligent Systems in Accounting , Finance and Manag, Jun 2001;10,2, 69-81.
Wilson, R. and R.Sharda (1996). Bankruptcy Prediction Using Neural Networks,Decision Sup-port Systems, 11: 545-557. Reprinted in Neural Networks in Financeand Investing, Sec-ond Edition, Trippi, R. and E. Turban Editor, Irwin ProfessionalPublishing: 367-394.
Zmijewski, M. (1984). Methodological issues related to the estimation of financial distress pre-diction models. Journal of Accounting Research 22, pp. 59-82.