在公司治理觀點下

1、.2006臺灣商管與資訊研討會：.；在公司治理觀點下運用類神經(jīng)網(wǎng)路建立上市公司財務危機預警模型以臺灣為例施東信1 晏啟華21國防大學國防管理學院資源管理研討所研討生Address:臺北縣中和市民安街150號: 02-22222轉8558:openpower1999yahoo.tw2國防大學國防管理學院資源管理研討所助理教授Address: 臺北縣中和市民安街150號:02-22222轉8558: cheewhahotmail傳統(tǒng)的財務危機預警模型都是用財務變數(shù)來建構，但是只用財務變數(shù)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。因此本研討除了考慮財務變數(shù)之外，同時採用最近研討中所指出

2、對財務危機具有影響的公司治理變數(shù)來構建預警模型，以改善目前通行之財務危機預警制度，研討發(fā)現(xiàn)倒傳遞類神經(jīng)網(wǎng)路建構參與公司治理財務預警模型可即時有效區(qū)分出臺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(fā)生。另外，研討結果，證明在財務危機預警模型添加公司治理資訊：董監(jiān)事持股比率、全體董、監(jiān)事質押比率與主要經(jīng)理人持股比率3個公司治理變數(shù)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(jīng)網(wǎng)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，臺灣上市公司發(fā)生財務危機事件層出不窮，然而當一家上市公司發(fā)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(huán)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，假設能建立一個可及時有效預警臺灣上市公司財務危機預警模型，供需求之人員運用，以提早發(fā)現(xiàn)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(fā)生的徴兆，以防患未然。1.1研討背景與動機1.1.1財務危機背景回顧近年發(fā)生財務危機的上市公司，如過去的臺灣博達、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，就利用虛增買賣量、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)指出危機公司假設在破產(chǎn)之前，勝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(qū)分，進而提早預警公司破產(chǎn)。，如這類型財務危機問題，假設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(shù)，建構財務危機預警模型，假設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(fā)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)研討發(fā)現(xiàn)企業(yè)界之高階經(jīng)營管理階層與會計師事務所審計人員均認為係臺灣企業(yè)極度缺乏健全之公司治理機制以監(jiān)督或防範企業(yè)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(chǎn)、炒作股票及護盤失利，是導致臺灣地區(qū)企業(yè)發(fā)生財務危機之重要要素?？鲁卸?2001)研討指出，臺灣上市公司1997以來所發(fā)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(fā)生嚴重財務問題，使投資人及金融機構，皆遭到艱苦損失，此種系統(tǒng)性的問題顯示出我國公司治理體系存有艱苦結構性的缺失，必須進行根本的檢討與改進，才干有效的減少企業(yè)未來的財務危機。1.2研討目的本研討將比較分析參與公司治理要素後的預警模型，對臺灣上市公司財務危預警模型的影響，進而建構適合現(xiàn)今臺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(fā)生，進而提早發(fā)現(xiàn)公司發(fā)生財務危機之能夠性，以防止或降低社會大眾的損失。1.3研討架構 本文研討架構簡述如下1.樣本選取：研討樣本經(jīng)確定符合本研討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、討樣本合計為126家。2.變數(shù)選?。貉杏懽償?shù)為參考國內外文獻選擇出15項財務變數(shù)及根據(jù)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(shù)，並由臺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(jīng)網(wǎng)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(shù)建構傳統(tǒng)財務危機預警模型；(2)將公司治理變數(shù)參與傳統(tǒng)財務危機預警模型，建構參與公司治理財務危機預警模型。4.預警模型比較分析：分析參與公司治理財務危機預警模型及傳統(tǒng)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(jīng)網(wǎng)路建構傳統(tǒng)財務危機

13、預警(F)模型利用倒傳遞類神經(jīng)網(wǎng)路建構參與公司治理預警(F&CG)模型財 務 變 數(shù)樣本與變數(shù)的選取公司治理變數(shù)變數(shù)數(shù)分析參與公司治理要素能否可提升財務危機預警模型的預警才干參與圖1研討架構圖 研討架構中的代號F與F&CG分別為:傳統(tǒng)財務危機預警模型，以(F)為其代號。參與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(yè)在發(fā)生財務危機前，通常會先經(jīng)歷一連串的事件，原因能夠於現(xiàn)金流動性缺乏，產(chǎn)生週轉不靈、轉投資失敗與管理的品德危險發(fā)生等，進而導致本身的債務償還發(fā)生問題，致使公司面臨被清算或重整的危機。但企業(yè)要到達何種程度，才干被定義為公司發(fā)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。臺灣經(jīng)濟新報定義財務危機公司為跳票擠兌、倒閉破產(chǎn)、繼續(xù)經(jīng)營疑慮、紓困、財務危機重整、接納、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(jīng)證券買賣所裁定符合證券交所營業(yè)細則第四十九條、第五十條及第五十之條一，上市公司股票變更買賣為全額交割、停頓買賣及終止上市之上市公司臺灣證券買賣處理營運困難上市公司準則係依臺灣證券買賣所股份營業(yè)細則第四十九條、第五十條及第五十條之一(附錄)的規(guī)定訂之。依據(jù)，第四十九條、第五十條及第五十

15、之條一規(guī)定，上市公司發(fā)生規(guī)定情事之一者，其上市之有價證券買賣所核準變更原有買賣為全額交割、停頓買賣及終止上市條件者。 鄧志豪(1999)亞洲金融風暴期間臺灣上市公司頻傳跳票、違約交割之情事，臺灣之主管機關基於穩(wěn)定整體經(jīng)濟之考量，採取假設干緊急紓困之措施，如要求銀行給予債務展延、股票暫停買賣、設紓困窗口 接受企業(yè)申請紓困等；因此有些公司雖未達到證券買賣所全額交割股票之標準，且仍在市場上正常買賣，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(jīng)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(chǎn)有所不同，所以國外學者的財務危機

16、之定義並不適用於臺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(jīng)臺灣證券買賣所之裁定為全額交割之上市公司且符合臺灣經(jīng)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)研討指出，考慮股權結構要素能提高對企業(yè)預警的正確率，其研討指出公司治理指標有提升危機預警模型的預測才干?？鲁卸?2001)我國企業(yè)因為股權集中以及一切權與經(jīng)營權重疊的現(xiàn)象，公司經(jīng)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(jīng)營行為。從1997年後發(fā)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(yè)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)研討指出董監(jiān)事持股質押成數(shù)與財務危機發(fā)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(shù)可以提供比總體經(jīng)濟變數(shù)更好解釋才干。Lee and Yeh (2004)研討發(fā)現(xiàn)公司治理指標對於上市公司發(fā)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(fā)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(fā)生及提早偵查出欺偽不實的財務報表。根據(jù)過去文獻回顧，可發(fā)現(xiàn)公司的財務危

18、機發(fā)生與公司治理-股權結構，有親密的關連性，所以本論文在財務危機預警方式中參與公司治理-股權結構相關變數(shù)以期提高對於財務危機發(fā)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(fā)生的緣由不同，所採用的指標各異，而伴隨統(tǒng)計軟體及電腦科技發(fā)展，亦出現(xiàn)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(yè)財務危機，Ohlson(1980)則是採用Logit模型，到了後來Odom and Sharda1990開始運用人工智慧，將類神經(jīng)網(wǎng)路運用在財務危機預警。鑑於導致財務危機發(fā)生的緣由日漸複雜，假設只以財務報表上的財務變數(shù)指標，已不

19、能有效的預警財務危機的發(fā)生，於是非財務變數(shù)指標，也成為後續(xù)學者的參與財務預警模型重要變數(shù)，以有效預警財務危機的發(fā)生。但非財務變數(shù)指標，大都是非線性變數(shù)，以致於後來的預警模型，逐漸採用處理非線性變數(shù)較佳及限制較少的類神經(jīng)網(wǎng)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(shù)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(fā)生。利用某一特定財務比率將一切樣本按大小予以陳列，並以二分類檢定法找出一個能使分類誤差最小的分割點，再以最正確分割點對樣本間作區(qū)隔，分類錯誤率最小的財務比率即為最正確預測變數(shù)。 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(fā)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討。其研討發(fā)現(xiàn)預警財務危機的三項最正確比率：(1)現(xiàn)金流量對總負債比率；(2)稅後淨利對總資產(chǎn)比率；(3)總負債對總資產(chǎn)比率，其中以現(xiàn)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(yōu)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(fā)生，似乎有失偏頗，且企業(yè)的財務危機，不能夠只依一個變數(shù)來表示，應綜合多項財務指標才具客觀性。因此後續(xù)學者開始同時參與多項財務變數(shù)於財務預警模型。多變量區(qū)別分析以多個變數(shù)參與預警模型，先確定發(fā)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漸區(qū)別分析法，找出具有代表性又能區(qū)別正常公司與財務危機兩個不同的群體，再由變數(shù)中，找出可以區(qū)別兩群體的變數(shù)，給予不同權重後可構成類似迴歸方程式的區(qū)別函數(shù)，找出使分類誤差最小的分割點，再以分割點對樣本間作區(qū)隔。Altman (1968)以1:2配對方式，選取1956年至1965年間選取破產(chǎn)公司及正常公司共33家。採用逐漸區(qū)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。研討發(fā)現(xiàn)破產(chǎn)前一年之正確率區(qū)別率高達95%，前兩年降至83%，隨時間拉長，正確率愈來愈低。研討結果顯示區(qū)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(qū)別分析對財務危機的預測才干較單變量分析高。 多變量區(qū)別分析方法雖有良好的區(qū)別才干，但必需符合三項統(tǒng)計假設：(1)估計變數(shù)需符合常態(tài)分配；(2)共變異數(shù)矩陣一樣；(3)變數(shù)之間不具有高度線性相關。因此在應用時，假設沒有符合假設條件，能夠會呵斥研討結果出現(xiàn)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(qū)別分析必須滿足母體為常態(tài)分配的假設條件，其常態(tài)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(tài)自變

23、數(shù)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(shù)呈現(xiàn)二分類時，亦即應變數(shù)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(qū)別分析法，建立三年之財務預警模型，其研討發(fā)現(xiàn)，規(guī)模大小、財務結構、經(jīng)營績效及流動性力，其與發(fā)生財務危機機率具有高度相關性。公司發(fā)生財務危機前一到三年，其正確區(qū)別分為96.12%、95.55%、92.38%，其結果指出logit區(qū)別效果比區(qū)別分析好。 Nam and Jinn (2000)利用1:2配對方法，選取在

24、韓國發(fā)生金融危機的期間從1997年至1998年的45家在韓國破產(chǎn)公司，考慮公司財務與總體經(jīng)濟要素並利用logit，建立破產(chǎn)預警模型，而預警期間是由1991至1996年，其預警破產(chǎn)機率分別為77.8%、80.4%、87.0%、76.1%、76.1%與80.4%，研討結指出在1997年到1998年間的金融危機，除了外匯買賣市場短時間劇烈變動的緣由，韓國公司營運續(xù)效長期持續(xù)不良，也是呵斥金融危機的其中緣由之一。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，運用財務變數(shù)和非財務變數(shù)發(fā)展一個10個變數(shù)的Logistic預測模型。研討

25、發(fā)現(xiàn)，五個非財務變數(shù)(會計師簽證等)的預測模型比五個財務預測變數(shù)的模型來得好，假設只需運用財務報表資料，其預警效果不佳。2.3.1類神經(jīng)網(wǎng)路類神經(jīng)網(wǎng)路早在1980年代初期時就已經(jīng)被應用在商業(yè)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(wǎng)路模型，最具代表性，其可從外界環(huán)境和其他人工神經(jīng)元獲得資訊，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(jīng)元，其學習精確度高，且樣本識別及分類問題皆可運用，且樣本不用符合常態(tài)假設多變量區(qū)別分析，其變數(shù)有許多根本假設，如常態(tài)分配等，但財務指標，大多違反了其多變量

26、區(qū)別分析的根本假設(Coats and Fant,1995)。，也無變數(shù)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(qū)分為訓練樣本與測試樣本，該研討以 Altman (1968)研討中的五個財務比率，選取企業(yè)財務危的前一年的財務資料分別利用區(qū)別分析與類神經(jīng)網(wǎng)路建立兩種預警模型，以比較類神經(jīng)網(wǎng)路與區(qū)別分析的不同，研討結果指出類神經(jīng)網(wǎng)路模型預警效果比區(qū)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，研討結果指出，財務危機公司與正常公司在財務危機發(fā)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(jīng)網(wǎng)路模型預警準確度比多變量區(qū)別分析模型佳。Jo and Han (1997) 選取1991至1993年間，韓國171破產(chǎn)公司與171正常公司為樣本，並利用多變量區(qū)別分析與案例式推理，類神經(jīng)網(wǎng)路-多層前饋網(wǎng)路，來建立破產(chǎn)預警模型，並比較三種模型的預警效果，其研討發(fā)現(xiàn)以類神經(jīng)網(wǎng)路-多層前饋網(wǎng)路模型最正確。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(qū)分37家為訓練樣本，24家為驗證樣本，分別用類神經(jīng)網(wǎng)路、專家系統(tǒng)及多變量區(qū)別分析，並利用稽核專員的稽核報告建構預警模型，其研討結果指出以類神經(jīng)網(wǎng)建構預警模型為最正確，預警正確率為85.8%、69.1%及74.1%。另外，研討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，研討指出模糊類神經(jīng)(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(fā)行的公司為研討對象，選取1988至1994年間破產(chǎn)公司為訓練樣本，再選取1995至1997年間破產(chǎn)公司為驗證樣本；先選取出破產(chǎn)公司，再選取正常公司給予配對後，分別利用類神經(jīng)網(wǎng)路與羅吉士(logit)建立公司破產(chǎn)預警模型，其研討指出，添加新的預警變數(shù)-營業(yè)活動的現(xiàn)金流量，有助對英國的公司破產(chǎn)預警模型的預警才干的提升，另外，比較類神經(jīng)網(wǎng)路與logit的預警效果，以類神經(jīng)網(wǎng)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(jiān)督式倒傳遞類神經(jīng)網(wǎng)路ANN與非監(jiān)督式自組織映射圖類神經(jīng)網(wǎng)路SOM ，建立破產(chǎn)預警模型。研討指出，監(jiān)督式倒傳遞類神經(jīng)網(wǎng)路預警正確率高於非監(jiān)督式自組織映射圖類神經(jīng)網(wǎng)路。其研討顯示在現(xiàn)今快速變化的商業(yè)環(huán)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(shù)，大多屬於非線性變數(shù)，本論文將採用類神經(jīng)網(wǎng)路來建構財務預警模型。 參、研討方法先界定財務危機之定義，其次說明樣本特性及變數(shù)之定義，最後說明倒傳遞類神經(jīng)網(wǎng)路與財務預警模型之建構。3.1財務危機之定義本論文以臺灣地區(qū)上市公司為研討樣本，其區(qū)分為： (一)、財

31、務危機公司本論文採用經(jīng)證券買賣所裁定為全額交割之上市公司且符合臺灣經(jīng)濟新報財務危機定義，假設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月期間的臺灣上市公司經(jīng)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)、正常公司假設未符合全額交割之上市公司及臺灣經(jīng)濟新報對財務危機公司定義，即歸類為正常上市公司 。(三)研討樣本配對按照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，其研討樣本為42家財務危機公司與84家正常公司，其研討

32、樣本按照財務危機公司，選取同一產(chǎn)業(yè)正常公司，給予配對。再按照財務危機發(fā)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，假設樣本資料不完好，此樣本將不採用。合計為126家3.2預警模型之變數(shù)定義 財務變數(shù)與公司治理變數(shù)之資料來源：1.臺灣經(jīng)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.臺灣證券買賣之證交資料;5.臺灣證券買賣所公開資訊觀測站一、應變數(shù)本研討之應變數(shù)為二元虛擬變數(shù)， 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(shù)(一) 財務變數(shù)因財務報表本身就具有解釋公司營運績效、評估企業(yè)經(jīng)營風險及評估公司財務能否建

33、全等的才干。因此本論文所運用的財務變數(shù)，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(shù)，選取合適的財務構面，共選取15項財務變數(shù)，詳列如下:表1財務變數(shù)表財 務 變 數(shù)X1負債比率 X9固定資產(chǎn)週轉率X2長期資金適足性X10營業(yè)毛利率 X3債本比X11淨值報酬率 X4速動比率 X12營業(yè)利益率 X5流動比率 X13營業(yè)收入成長率 X6現(xiàn)金流量比率 X14淨值成長率 X7應收帳款週轉率X15營業(yè)利益成長率 X8存貨週轉率- -(二) 公司治理變數(shù)公司治理的變數(shù)，根據(jù)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(shù)3個。表2公

34、司治理變數(shù)表公 司 治 理 變 數(shù)X16董、監(jiān)事持股比率X17全體董、監(jiān)事質押比率持股X18主要經(jīng)理人持股比率3.3倒傳遞類神經(jīng)網(wǎng)路模型倒傳遞類神經(jīng)網(wǎng)路，是在1986年由Rumelhart和McClelland 二人所提出，為目前類神經(jīng)網(wǎng)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(wǎng)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(wǎng)路中層的數(shù)目；b:純量偏權值；W:純量權重值。第一層神經(jīng)元所接納到外部的輸入，如下： a0=p (3.2)而式3.2為式3.1的起始點。最後一層神經(jīng)元的輸出為此

35、網(wǎng)路的輸出，如下： a=aM (3.3)本研討建構之財務危機預警模型網(wǎng)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(wǎng)路架構 X:輸入自變數(shù); R:輸入的數(shù)目; P:輸入向量; a:轉移函數(shù)的輸出向量;LW:層權重值矩陣; n:轉移函數(shù)的淨輸入;s:神經(jīng)元個數(shù); IW:輸入權重值矩陣tansig & logsig:轉移函數(shù)(附錄一); y:輸出應變數(shù);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(jīng)網(wǎng)絡(Back-Propagation Network, BPN) 以十五個財務變數(shù)及三個公司治理變數(shù)，分別建構財務危機事件發(fā)生前一季、前二季與前三季之臺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臺灣經(jīng)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(jīng)網(wǎng)路運作方式倒傳遞類神經(jīng)網(wǎng)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(jīng)網(wǎng)路能正確的運作，則必須透過訓練

37、的方式，讓類神經(jīng)網(wǎng)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(jīng)網(wǎng)路學習前，我們必須建立出一組訓練樣本使類神經(jīng)網(wǎng)路在學習的過程中有一個依據(jù)，訓練樣本的建立來自於實際系統(tǒng)輸入與輸出或是以往的經(jīng)驗。類神經(jīng)網(wǎng)路的任務性能與訓練樣本有直接的關係，假設訓練樣本不正確、太少或是太類似，類神經(jīng)網(wǎng)路的任務區(qū)間與才干將大打折扣。類神經(jīng)網(wǎng)路訓練的目的，就是讓類神經(jīng)網(wǎng)路的輸出越接近目標值越佳。亦即，一樣的輸入值進入到系統(tǒng)與類神經(jīng)網(wǎng)路，得到的輸出值亦要一樣。類神經(jīng)網(wǎng)路未訓練前，其輸出是凌亂的，隨著訓練次數(shù)的添加，類神經(jīng)網(wǎng)路的鍵結權重值會逐漸的被調整，使得目標值與類神經(jīng)網(wǎng)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(jīng)網(wǎng)路已收斂，此時類神經(jīng)網(wǎng)路便訓練完成。(二) 驗證過程當最正確化的倒傳遞類神經(jīng)網(wǎng)路模型接納輸入變數(shù)時，網(wǎng)路會依據(jù)由學習過程所求得處理單元間之轉移函數(shù)，逐層往上傳送，最後求得輸出層產(chǎn)出的輸出值(文武，2004)。肆、實證分析本研討以十五個財務變數(shù)及三個公司治理變數(shù)，並利用倒傳遞類神經(jīng)網(wǎng)路建構臺灣上市公司財務危機預警模型，且將一切的產(chǎn)業(yè)納入財務危機預警模型，藉以建構出能預警一切產(chǎn)業(yè)的財務危機預警模型。並將研討樣本區(qū)分成兩個部分為：(1)訓練樣本，以決定財務危機預警網(wǎng)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(qū)分為傳統(tǒng)財務危機預警(F)模型與參與公司治理之財務危機預警 (F&CG)模型。4.1傳統(tǒng)財務危機預警模型模擬結果以X1至X15之財務變數(shù)，為預警模型輸入自變數(shù)，以上市公司能否發(fā)生財務危機(0，1)為輸出應變數(shù) Y=1 表示危機公司，Y=0 為正常公司。，建構傳統(tǒng)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%。4.2參與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(shù)與公司治理變數(shù)，為

41、預警模型輸入自變數(shù)，以上市公司能否發(fā)生財務危機(0，1)為輸出應變數(shù)，建構參與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.研討結果顯示前一至前三季的預警錯誤樣本分析得知，在參與公司治理財務危機預警(F&CG)模型，其預警錯誤樣本，在傳統(tǒng)財務危機預警模型中，一定會發(fā)生一樣錯誤，但在傳統(tǒng)財務危機預警模型所發(fā)生的預警錯誤樣本，在參與公司治理後的F&CG預警模型，不一定會發(fā)生錯誤。由此可知，F(xiàn)&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研討結果顯示公司治理變數(shù)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(tǒng)財務危機預警(F)模型。由前一季至前三季的參與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(fā)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、研討結論與建議5.1研討結論研討結果說明，添加董監(jiān)事持股比率、全體董、監(jiān)事質押比率與主要經(jīng)理人持股比率3個公司治理變數(shù)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(shù) (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(chǎn)公司形態(tài)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(fā)生。 5.2研討建議本

45、研討證實倒傳遞類神經(jīng)網(wǎng)路所建構財務危機預警模型能有效預警臺灣上市公司財務危機，但就實務上，上市公司財務危機之緣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(guī)章變更、國際經(jīng)濟的衝擊等。因此，假設能將其他與財務危機有關的要素參與類神經(jīng)網(wǎng)路輸入變數(shù)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研討假設與限制本研討的限制與假設有以下幾點:1.對於財務性資料，由於已經(jīng)過會計師查核簽證及證管會之監(jiān)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，且受限於資料的可獲得性，因此只能選擇性而不能全面性納入的公司治理

46、變數(shù)，建構財務危機預警模型。6. 參考文獻1呂紹強(2000)，企業(yè)財務危機預警模型之研討-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(jiān)理體系之問題與改進建議上下。會計研討月刊， 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，元智大學會計研討所。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(yè)財務危機要素認知之研討-從公司監(jiān)理角度之探討，國立臺灣大學會計學研討所。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