在公司治理觀點(diǎn)下

1、.2006臺(tái)灣商管與資訊研討會(huì)：.；在公司治理觀點(diǎn)下運(yùn)用類神經(jīng)網(wǎng)路建立上市公司財(cái)務(wù)危機(jī)預(yù)警模型以臺(tái)灣為例施東信1 晏啟華21國(guó)防大學(xué)國(guó)防管理學(xué)院資源管理研討所研討生Address:臺(tái)北縣中和市民安街150號(hào): 02-22222轉(zhuǎn)8558:openpower1999yahoo.tw2國(guó)防大學(xué)國(guó)防管理學(xué)院資源管理研討所助理教授Address: 臺(tái)北縣中和市民安街150號(hào):02-22222轉(zhuǎn)8558: cheewhahotmail傳統(tǒng)的財(cái)務(wù)危機(jī)預(yù)警模型都是用財(cái)務(wù)變數(shù)來建構(gòu)，但是只用財(cái)務(wù)變數(shù)所建立的預(yù)警模型似乎無法正確預(yù)警出近年來的財(cái)務(wù)危機(jī)事件。因此本研討除了考慮財(cái)務(wù)變數(shù)之外，同時(shí)採(cǎi)用最近研討中所指出

2、對(duì)財(cái)務(wù)危機(jī)具有影響的公司治理變數(shù)來構(gòu)建預(yù)警模型，以改善目前通行之財(cái)務(wù)危機(jī)預(yù)警制度，研討發(fā)現(xiàn)倒傳遞類神經(jīng)網(wǎng)路建構(gòu)參與公司治理財(cái)務(wù)預(yù)警模型可即時(shí)有效區(qū)分出臺(tái)灣財(cái)務(wù)危機(jī)公司與正常公司，因此，有助於投資人、債權(quán)人、貸款銀行、公司管理者與稽核專員，來偵查及預(yù)防舞弊，進(jìn)而提早預(yù)警上市公司的財(cái)務(wù)危機(jī)事件發(fā)生。另外，研討結(jié)果，證明在財(cái)務(wù)危機(jī)預(yù)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(zhì)押比率與主要經(jīng)理人持股比率3個(gè)公司治理變數(shù)可有效提升財(cái)務(wù)危機(jī)預(yù)警模型的預(yù)警才干。 關(guān)鍵字: 公司治理、財(cái)務(wù)危機(jī)、預(yù)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(tái)灣上市公司發(fā)生財(cái)務(wù)危機(jī)事件層出不窮，然而當(dāng)一家上市公司發(fā)生財(cái)務(wù)危機(jī)時(shí)，其影響層面，不單只是公司內(nèi)部遭到衝擊，外部環(huán)境也會(huì)遭到影響，包括上下游廠商、投資大眾、債權(quán)人與貸款銀行等，其影響層面甚廣。因此，假設(shè)能建立一個(gè)可及時(shí)有效預(yù)警臺(tái)灣上市公司財(cái)務(wù)危機(jī)預(yù)警模型，供需求之人員運(yùn)用，以提早發(fā)現(xiàn)潛在的財(cái)務(wù)危機(jī)。

9、在消極方面，可供投資人、債權(quán)人、稽核專員與貸款銀行等，來偵查及預(yù)防舞弊;在積極方面，可以讓上市公司管理者，作為早期財(cái)務(wù)危機(jī)事件發(fā)生的徴兆，以防患未然。1.1研討背景與動(dòng)機(jī)1.1.1財(cái)務(wù)危機(jī)背景回顧近年發(fā)生財(cái)務(wù)危機(jī)的上市公司，如過去的臺(tái)灣博達(dá)、訊碟與美國(guó)恩隆財(cái)務(wù)危機(jī)事件，其管理者為了窗飾財(cái)務(wù)報(bào)表，就利用虛增買賣量、盈餘操縱與製造假營(yíng)收等手法，致使財(cái)務(wù)報(bào)表欺偽不實(shí) Kluger and Shields (1989)指出危機(jī)公司假設(shè)在破產(chǎn)之前，勝利以欺偽不實(shí)的財(cái)務(wù)報(bào)表隱瞞負(fù)面的財(cái)務(wù)資訊，稽核專員將很難將危機(jī)公司與正常公司區(qū)分，進(jìn)而提早預(yù)警公司破產(chǎn)。，如這類型財(cái)務(wù)危機(jī)問題，假設(shè)採(cǎi)用早期學(xué)者建構(gòu)的財(cái)務(wù)危

10、機(jī)預(yù)警模型，其預(yù)警效果並不高，因早期的預(yù)警模型，大都僅考慮財(cái)務(wù)變數(shù)，建構(gòu)財(cái)務(wù)危機(jī)預(yù)警模型，假設(shè)面對(duì)欺偽不實(shí)財(cái)務(wù)報(bào)表的財(cái)務(wù)危機(jī)事件，將無法及時(shí)預(yù)警財(cái)務(wù)危機(jī)事件(如訊碟等)發(fā)生。因此，有必要利用財(cái)務(wù)報(bào)表以外的資訊，以提高預(yù)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(yíng)管理階層與會(huì)計(jì)師事務(wù)所審計(jì)人員均認(rèn)為係臺(tái)灣企業(yè)極度缺乏健全之公司治理機(jī)制以監(jiān)督或防範(fàn)企業(yè)高階管理階層運(yùn)用高度財(cái)務(wù)槓桿原理過度投資、投資不當(dāng)、涉嫌挪用公司資產(chǎn)、炒作股票及護(hù)盤失利，是導(dǎo)致臺(tái)灣地區(qū)企業(yè)發(fā)生財(cái)務(wù)危機(jī)之重要要素?？鲁卸?2001)研討指出，臺(tái)灣上市公司1997以來所發(fā)生高層負(fù)責(zé)人挪用公司資金，進(jìn)行股

11、價(jià)護(hù)盤，利益輸送等情形，以致於公司發(fā)生嚴(yán)重財(cái)務(wù)問題，使投資人及金融機(jī)構(gòu)，皆遭到艱苦損失，此種系統(tǒng)性的問題顯示出我國(guó)公司治理體系存有艱苦結(jié)構(gòu)性的缺失，必須進(jìn)行根本的檢討與改進(jìn)，才干有效的減少企業(yè)未來的財(cái)務(wù)危機(jī)。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(yù)警模型，對(duì)臺(tái)灣上市公司財(cái)務(wù)危預(yù)警模型的影響，進(jìn)而建構(gòu)適合現(xiàn)今臺(tái)灣上市公司的財(cái)務(wù)危機(jī)預(yù)警模型，以有效預(yù)警財(cái)務(wù)危機(jī)事件發(fā)生，進(jìn)而提早發(fā)現(xiàn)公司發(fā)生財(cái)務(wù)危機(jī)之能夠性，以防止或降低社會(huì)大眾的損失。1.3研討架構(gòu) 本文研討架構(gòu)簡(jiǎn)述如下1.樣本選?。貉杏憳颖窘?jīng)確定符合本研討界定之正常公司及與危機(jī)公司之定義後採(cǎi)取為42家財(cái)務(wù)危機(jī)公司與84家正常公司，其研

12、討樣本合計(jì)為126家。2.變數(shù)選?。貉杏懽償?shù)為參考國(guó)內(nèi)外文獻(xiàn)選擇出15項(xiàng)財(cái)務(wù)變數(shù)及根據(jù)上市上櫃公司治理實(shí)務(wù)守則與國(guó)內(nèi)外文獻(xiàn)探討，共篩選出3項(xiàng)公司治理變數(shù)，並由臺(tái)灣上市公司之財(cái)務(wù)報(bào)表，公開說明書及其他對(duì)外公開之資訊等獲得相關(guān)資料。3.財(cái)務(wù)危機(jī)預(yù)警模型：利用倒傳遞類神經(jīng)網(wǎng)路建構(gòu)財(cái)務(wù)危機(jī)預(yù)警模型分別為:(1)以財(cái)務(wù)報(bào)表中的財(cái)務(wù)變數(shù)建構(gòu)傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)警模型；(2)將公司治理變數(shù)參與傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)警模型，建構(gòu)參與公司治理財(cái)務(wù)危機(jī)預(yù)警模型。4.預(yù)警模型比較分析：分析參與公司治理財(cái)務(wù)危機(jī)預(yù)警模型及傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)警模型實(shí)證結(jié)果，探討公司治理要素能否可提升預(yù)警模型的預(yù)警才干。利用倒傳遞類神經(jīng)網(wǎng)路建構(gòu)傳統(tǒng)財(cái)務(wù)危機(jī)

13、預(yù)警(F)模型利用倒傳遞類神經(jīng)網(wǎng)路建構(gòu)參與公司治理預(yù)警(F&CG)模型財(cái) 務(wù) 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(cái)務(wù)危機(jī)預(yù)警模型的預(yù)警才干參與圖1研討架構(gòu)圖 研討架構(gòu)中的代號(hào)F與F&CG分別為:傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)警模型，以(F)為其代號(hào)。參與公司治理財(cái)務(wù)危機(jī)預(yù)警模型，以(F&CG)為其代號(hào)。貮、文獻(xiàn)探討2.1財(cái)務(wù)危機(jī)之相關(guān)文獻(xiàn)企業(yè)在發(fā)生財(cái)務(wù)危機(jī)前，通常會(huì)先經(jīng)歷一連串的事件，原因能夠於現(xiàn)金流動(dòng)性缺乏，產(chǎn)生週轉(zhuǎn)不靈、轉(zhuǎn)投資失敗與管理的品德危險(xiǎn)發(fā)生等，進(jìn)而導(dǎo)致本身的債務(wù)償還發(fā)生問題，致使公司面臨被清算或重整的危機(jī)。但企業(yè)要到達(dá)何種程度，才干被定義為公司發(fā)生財(cái)務(wù)危機(jī)。以

14、下是國(guó)內(nèi)外學(xué)者對(duì)財(cái)務(wù)危機(jī)之定義：Ward and Foster (1996)定義財(cái)務(wù)危機(jī)公司為延緩、降低或無才干償還債務(wù)與利息與進(jìn)行債務(wù)重整之公司。臺(tái)灣經(jīng)濟(jì)新報(bào)定義財(cái)務(wù)危機(jī)公司為跳票擠兌、倒閉破產(chǎn)、繼續(xù)經(jīng)營(yíng)疑慮、紓困、財(cái)務(wù)危機(jī)重整、接納、全額下市、財(cái)務(wù)吃緊停工、淨(jìng)值為負(fù)等九種情況。葉怡芳(2004)定義財(cái)務(wù)危機(jī)為經(jīng)證券買賣所裁定符合證券交所營(yíng)業(yè)細(xì)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(tái)灣證券買賣處理營(yíng)運(yùn)困難上市公司準(zhǔn)則係依臺(tái)灣證券買賣所股份營(yíng)業(yè)細(xì)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(jià)證券買賣所核準(zhǔn)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(fēng)暴期間臺(tái)灣上市公司頻傳跳票、違約交割之情事，臺(tái)灣之主管機(jī)關(guān)基於穩(wěn)定整體經(jīng)濟(jì)之考量，採(cǎi)取假設(shè)干緊急紓困之措施，如要求銀行給予債務(wù)展延、股票暫停買賣、設(shè)紓困窗口 接受企業(yè)申請(qǐng)紓困等；因此有些公司雖未達(dá)到證券買賣所全額交割股票之標(biāo)準(zhǔn)，且仍在市場(chǎng)上正常買賣，但其公司股票市價(jià)至今已餘不到面值之非常之一，且債權(quán)銀行的債務(wù)清償經(jīng)展延緩後亦遙遙無期，且綜觀國(guó)內(nèi)公司財(cái)務(wù)危機(jī)之引爆通常由公司跳票及大股東違約交割揭開序幕，與國(guó)外直接宣告破產(chǎn)有所不同，所以國(guó)外學(xué)者的財(cái)務(wù)危機(jī)

16、之定義並不適用於臺(tái)灣財(cái)務(wù)危機(jī)上市公司。在本論文採(cǎi)用財(cái)務(wù)危機(jī)公司定義，為經(jīng)臺(tái)灣證券買賣所之裁定為全額交割之上市公司且符合臺(tái)灣經(jīng)濟(jì)新報(bào)資料庫(kù)財(cái)務(wù)危機(jī)之定義，即歸類為財(cái)務(wù)危機(jī)上市公司。2.2公司治理之相關(guān)文獻(xiàn)Daily and Dalton(1994)研討指出，考慮股權(quán)結(jié)構(gòu)要素能提高對(duì)企業(yè)預(yù)警的正確率，其研討指出公司治理指標(biāo)有提升危機(jī)預(yù)警模型的預(yù)測(cè)才干?？鲁卸?2001)我國(guó)企業(yè)因?yàn)楣蓹?quán)集中以及一切權(quán)與經(jīng)營(yíng)權(quán)重疊的現(xiàn)象，公司經(jīng)營(yíng)通掌握在主要股東或其家族之中，其個(gè)人或家族持有公司股權(quán)的各種狀況(如買賣、質(zhì)押等)也影響到其對(duì)原公司的經(jīng)營(yíng)行為。從1997年後發(fā)生財(cái)務(wù)危機(jī)的上市公司的案例，許多上市公司的負(fù)責(zé)

17、人利用股票質(zhì)押的資金炒作股或擴(kuò)張企業(yè)版圖，當(dāng)股價(jià)下跌時(shí)，便動(dòng)用或?yàn)E用公司資金支撐股價(jià)，以致於公司入財(cái)務(wù)危機(jī)。呂紹強(qiáng)(2000)研討指出董監(jiān)事持股質(zhì)押成數(shù)與財(cái)務(wù)危機(jī)發(fā)生之機(jī)率呈正相關(guān)。Johnson et al. (2000)表示對(duì)於財(cái)務(wù)危機(jī)模型，公司治理變數(shù)可以提供比總體經(jīng)濟(jì)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(biāo)對(duì)於上市公司發(fā)生財(cái)務(wù)危機(jī)的機(jī)率有顯著正向的解釋與預(yù)測(cè)才干，且公司治理機(jī)制較差的公司，發(fā)生財(cái)務(wù)危機(jī)的機(jī)率較高。Rezaee (2005)指出公司治理資訊，能預(yù)防財(cái)務(wù)報(bào)表的欺偽不實(shí)的發(fā)生及提早偵查出欺偽不實(shí)的財(cái)務(wù)報(bào)表。根據(jù)過去文獻(xiàn)回顧，可發(fā)現(xiàn)公司的財(cái)務(wù)危

18、機(jī)發(fā)生與公司治理-股權(quán)結(jié)構(gòu)，有親密的關(guān)連性，所以本論文在財(cái)務(wù)危機(jī)預(yù)警方式中參與公司治理-股權(quán)結(jié)構(gòu)相關(guān)變數(shù)以期提高對(duì)於財(cái)務(wù)危機(jī)發(fā)生之預(yù)測(cè)才干。2.3財(cái)務(wù)危機(jī)預(yù)警模型之相關(guān)文獻(xiàn)國(guó)內(nèi)外學(xué)者探討財(cái)務(wù)危機(jī)預(yù)警模型之文獻(xiàn)眾多，因呵斥財(cái)務(wù)危機(jī)發(fā)生的緣由不同，所採(cǎi)用的指標(biāo)各異，而伴隨統(tǒng)計(jì)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(yù)警企業(yè)財(cái)務(wù)危機(jī)，Ohlson(1980)則是採(cǎi)用Logit模型，到了後來Odom and Sharda1990開始運(yùn)用人工智慧，將類神經(jīng)網(wǎng)路運(yùn)用在財(cái)務(wù)危機(jī)預(yù)警。鑑於導(dǎo)致財(cái)務(wù)危機(jī)發(fā)生的緣由日漸複雜，假設(shè)只以財(cái)務(wù)報(bào)表上的財(cái)務(wù)變數(shù)指標(biāo)，已不

19、能有效的預(yù)警財(cái)務(wù)危機(jī)的發(fā)生，於是非財(cái)務(wù)變數(shù)指標(biāo)，也成為後續(xù)學(xué)者的參與財(cái)務(wù)預(yù)警模型重要變數(shù)，以有效預(yù)警財(cái)務(wù)危機(jī)的發(fā)生。但非財(cái)務(wù)變數(shù)指標(biāo)，大都是非線性變數(shù)，以致於後來的預(yù)警模型，逐漸採(cǎi)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(gòu)預(yù)警模型。以下為財(cái)務(wù)危機(jī)預(yù)警模型的歷史回顧：?jiǎn)巫兞糠治鲈缙诘奈C(jī)預(yù)警模型，採(cǎi)用單一財(cái)務(wù)變數(shù)指標(biāo)，並利用單變量分析建立預(yù)警模型，以預(yù)警財(cái)務(wù)危機(jī)的發(fā)生。利用某一特定財(cái)務(wù)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(gè)能使分類誤差最小的分割點(diǎn)，再以最正確分割點(diǎn)對(duì)樣本間作區(qū)隔，分類錯(cuò)誤率最小的財(cái)務(wù)比率即為最正確預(yù)測(cè)變數(shù)。 Beaver (1966)採(cǎi)用單變量分析法。以

20、配對(duì)方式，在1956年至1964年間選取79家發(fā)生財(cái)務(wù)危機(jī)的公司為樣本，利用30個(gè)財(cái)務(wù)比率及二分類檢定法進(jìn)行研討。其研討發(fā)現(xiàn)預(yù)警財(cái)務(wù)危機(jī)的三項(xiàng)最正確比率：(1)現(xiàn)金流量對(duì)總負(fù)債比率；(2)稅後淨(jìng)利對(duì)總資產(chǎn)比率；(3)總負(fù)債對(duì)總資產(chǎn)比率，其中以現(xiàn)金流量對(duì)總負(fù)債最具有預(yù)警才干。 單變量分析建立預(yù)警模型，其優(yōu)點(diǎn)在於計(jì)算簡(jiǎn)便，但運(yùn)用單一財(cái)務(wù)比率，來預(yù)警財(cái)務(wù)危機(jī)的發(fā)生，似乎有失偏頗，且企業(yè)的財(cái)務(wù)危機(jī)，不能夠只依一個(gè)變數(shù)來表示，應(yīng)綜合多項(xiàng)財(cái)務(wù)指標(biāo)才具客觀性。因此後續(xù)學(xué)者開始同時(shí)參與多項(xiàng)財(cái)務(wù)變數(shù)於財(cái)務(wù)預(yù)警模型。多變量區(qū)別分析以多個(gè)變數(shù)參與預(yù)警模型，先確定發(fā)生財(cái)務(wù)危機(jī)的群體，再找出與財(cái)務(wù)危機(jī)公司相近的正常公司

21、作配對(duì)，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(cái)務(wù)危機(jī)兩個(gè)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(quán)重後可構(gòu)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(diǎn)，再以分割點(diǎn)對(duì)樣本間作區(qū)隔。Altman (1968)以1:2配對(duì)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(cǎi)用逐漸區(qū)別分析。從流動(dòng)性、獲利力、財(cái)務(wù)槓桿、償債才干與活動(dòng)力五種類別的財(cái)務(wù)比率，共二十二個(gè)財(cái)務(wù)比率，以要素分析，萃取出五個(gè)財(cái)務(wù)比率，以建構(gòu)財(cái)務(wù)預(yù)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(dá)95%，前兩年降至83%，隨時(shí)間拉長(zhǎng)，正確率愈來愈低。研討結(jié)果顯示區(qū)別分

22、析在財(cái)務(wù)危機(jī)預(yù)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(duì)財(cái)務(wù)危機(jī)的預(yù)測(cè)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(xiàng)統(tǒng)計(jì)假設(shè)：(1)估計(jì)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(guān)。因此在應(yīng)用時(shí)，假設(shè)沒有符合假設(shè)條件，能夠會(huì)呵斥研討結(jié)果出現(xiàn)極大的偏向(謝國(guó)男，2003)。其預(yù)警模型會(huì)隨著時(shí)間的拉長(zhǎng)，其預(yù)警效果會(huì)遞減。為了防止其限制，後來的學(xué)者開始採(cǎi)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(shè)條件，其常態(tài)假設(shè)之條件常無法符合。所以學(xué)者們開始採(cǎi)用迴歸分析法建立財(cái)務(wù)危機(jī)預(yù)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(jī)率值符合機(jī)率原理(機(jī)率值介於0與1之間)、及適用於非線性模型，當(dāng)迴歸模型之應(yīng)變數(shù)呈現(xiàn)二分類時(shí)，亦即應(yīng)變數(shù)有兩種結(jié)果。Ohlson (1980)選取1970年至1976年間，105家財(cái)務(wù)危機(jī)公司與2058家正常公司為樣本，採(cǎi)用九種財(cái)務(wù)比率，並利用logit方法與區(qū)別分析法，建立三年之財(cái)務(wù)預(yù)警模型，其研討發(fā)現(xiàn)，規(guī)模大小、財(cái)務(wù)結(jié)構(gòu)、經(jīng)營(yíng)績(jī)效及流動(dòng)性力，其與發(fā)生財(cái)務(wù)危機(jī)機(jī)率具有高度相關(guān)性。公司發(fā)生財(cái)務(wù)危機(jī)前一到三年，其正確區(qū)別分為96.12%、95.55%、92.38%，其結(jié)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(duì)方法，選取在

24、韓國(guó)發(fā)生金融危機(jī)的期間從1997年至1998年的45家在韓國(guó)破產(chǎn)公司，考慮公司財(cái)務(wù)與總體經(jīng)濟(jì)要素並利用logit，建立破產(chǎn)預(yù)警模型，而預(yù)警期間是由1991至1996年，其預(yù)警破產(chǎn)機(jī)率分別為77.8%、80.4%、87.0%、76.1%、76.1%與80.4%，研討結(jié)指出在1997年到1998年間的金融危機(jī)，除了外匯買賣市場(chǎng)短時(shí)間劇烈變動(dòng)的緣由，韓國(guó)公司營(yíng)運(yùn)續(xù)效長(zhǎng)期持續(xù)不良，也是呵斥金融危機(jī)的其中緣由之一。Barniv et al. (2002)選取1980年至1995年間237家財(cái)務(wù)危機(jī)公司，配對(duì)超過3000家正常公司，運(yùn)用財(cái)務(wù)變數(shù)和非財(cái)務(wù)變數(shù)發(fā)展一個(gè)10個(gè)變數(shù)的Logistic預(yù)測(cè)模型。研討

25、發(fā)現(xiàn)，五個(gè)非財(cái)務(wù)變數(shù)(會(huì)計(jì)師簽證等)的預(yù)測(cè)模型比五個(gè)財(cái)務(wù)預(yù)測(cè)變數(shù)的模型來得好，假設(shè)只需運(yùn)用財(cái)務(wù)報(bào)表資料，其預(yù)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(shí)就已經(jīng)被應(yīng)用在商業(yè)方面的問題，Krishnaswamy et al. (2000)股價(jià)預(yù)測(cè)、債劵利率預(yù)測(cè)、外匯市場(chǎng)、公司財(cái)預(yù)危機(jī)預(yù)警等。在財(cái)金領(lǐng)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(jiǎn)單的運(yùn)算，再將結(jié)果輸出到外界資訊或其他人工神經(jīng)元，其學(xué)習(xí)精確度高，且樣本識(shí)別及分類問題皆可運(yùn)用，且樣本不用符合常態(tài)假設(shè)多變量區(qū)別分析，其變數(shù)有許多根本假設(shè)，如常態(tài)分配等，但財(cái)務(wù)指標(biāo)，大多違反了其多變量

26、區(qū)別分析的根本假設(shè)(Coats and Fant,1995)。，也無變數(shù)共線性的問題，因此應(yīng)用較廣。Odom and Sharda (1990)以1975年至1982年間的65家財(cái)務(wù)危機(jī)公司與64家正常公司，並將樣本區(qū)分為訓(xùn)練樣本與測(cè)試樣本，該研討以 Altman (1968)研討中的五個(gè)財(cái)務(wù)比率，選取企業(yè)財(cái)務(wù)危的前一年的財(cái)務(wù)資料分別利用區(qū)別分析與類神經(jīng)網(wǎng)路建立兩種預(yù)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(jié)果指出類神經(jīng)網(wǎng)路模型預(yù)警效果比區(qū)別分析預(yù)警模型較佳。Coats and Fant (1993)分析1970年至1989年間Standard and Poor財(cái)務(wù)資料並選取94家失敗公

27、司及188家正常公司之五項(xiàng)財(cái)務(wù)比率，研討結(jié)果指出，財(cái)務(wù)危機(jī)公司與正常公司在財(cái)務(wù)危機(jī)發(fā)生當(dāng)年及前三年的財(cái)務(wù)比率的確有很大的差異，且失敗公司之財(cái)務(wù)比率明顯逐年惡化，正常公司則無此一趨勢(shì)。類神經(jīng)網(wǎng)路模型預(yù)警準(zhǔn)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(guó)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(yù)警模型，並比較三種模型的預(yù)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(jī)選取61家公司，再以區(qū)分37家為訓(xùn)練樣本，24家為驗(yàn)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(bào)告建構(gòu)預(yù)警模型，其研討結(jié)果指出以類神經(jīng)網(wǎng)建構(gòu)預(yù)警模型為最正確，預(yù)警正確率為85.8%、69.1%及74.1%。另外，研討指出良好的預(yù)警模型，可幫助稽核專員更容易稽核出財(cái)務(wù)危機(jī)公司。Lin et al. (2003)以1980年至1995年間，Standard and Poor財(cái)務(wù)資料選取40家欺偽財(cái)報(bào)公司及無欺偽財(cái)報(bào)160家公司，以1：4配對(duì)，再以八項(xiàng)財(cái)務(wù)指標(biāo)，研討指出模糊類神經(jīng)(FNN)其預(yù)警能否為欺偽財(cái)務(wù)報(bào)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(yù)警模型來提升稽核效率。Charitou et al. (2004) 以英國(guó)公開發(fā)行的公司為研討對(duì)象，選取1988至1994年間破產(chǎn)公司為訓(xùn)練樣本，再選取1995至1997年間破產(chǎn)公司為驗(yàn)證樣本；先選取出破產(chǎn)公司，再選取正常公司給予配對(duì)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(yù)警模型，其研討指出，添加新的預(yù)警變數(shù)-營(yíng)業(yè)活動(dòng)的現(xiàn)金流量，有助對(duì)英國(guó)的公司破產(chǎn)預(yù)警模型的預(yù)警才干的提升，另外，比較類神經(jīng)網(wǎng)路與logit的預(yù)警效果，以類神經(jīng)網(wǎng)路，在第一年及第三年的預(yù)警效果較佳。Lee et al. (2005) 選取韓國(guó)1995至1998年間的84家危機(jī)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(yù)警模型。研討指出，監(jiān)督式倒傳遞類神經(jīng)網(wǎng)路預(yù)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(gè)預(yù)警正確率高的危機(jī)預(yù)警模型，來偵查及預(yù)防舞弊。由於財(cái)務(wù)指標(biāo)與公司治理之變數(shù)，大多屬於非線性變數(shù)，本論文將採(cǎi)用類神經(jīng)網(wǎng)路來建構(gòu)財(cái)務(wù)預(yù)警模型。 參、研討方法先界定財(cái)務(wù)危機(jī)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(cái)務(wù)預(yù)警模型之建構(gòu)。3.1財(cái)務(wù)危機(jī)之定義本論文以臺(tái)灣地區(qū)上市公司為研討樣本，其區(qū)分為： (一)、財(cái)

31、務(wù)危機(jī)公司本論文採(cǎi)用經(jīng)證券買賣所裁定為全額交割之上市公司且符合臺(tái)灣經(jīng)濟(jì)新報(bào)財(cái)務(wù)危機(jī)定義，假設(shè)符合上述二項(xiàng)條件之上市公司，即歸類為財(cái)務(wù)危機(jī)公司。在2000年2005年12月期間的臺(tái)灣上市公司經(jīng)確定符合本論文界定之財(cái)務(wù)危機(jī)定義，共有42家財(cái)務(wù)危機(jī)公司樣本。(二)、正常公司假設(shè)未符合全額交割之上市公司及臺(tái)灣經(jīng)濟(jì)新報(bào)對(duì)財(cái)務(wù)危機(jī)公司定義，即歸類為正常上市公司 。(三)研討樣本配對(duì)按照Beaver(1966)、Altman(1968) 與Lacher and Coats(1993)的樣本配對(duì)準(zhǔn)則，選取一家危機(jī)公司與兩家正常公司(1:2)，作為配對(duì)樣本，其研討樣本為42家財(cái)務(wù)危機(jī)公司與84家正常公司，其研討

32、樣本按照財(cái)務(wù)危機(jī)公司，選取同一產(chǎn)業(yè)正常公司，給予配對(duì)。再按照財(cái)務(wù)危機(jī)發(fā)生前一至三季的時(shí)間，分別決定正常公司的對(duì)應(yīng)取樣期間，其財(cái)務(wù)資料亦應(yīng)完好，假設(shè)樣本資料不完好，此樣本將不採(cǎi)用。合計(jì)為126家3.2預(yù)警模型之變數(shù)定義 財(cái)務(wù)變數(shù)與公司治理變數(shù)之資料來源：1.臺(tái)灣經(jīng)濟(jì)新報(bào)社(TEJ)之上市公司財(cái)務(wù)資料庫(kù);2.上市公司公開說明書;3.上市公司年報(bào);4.臺(tái)灣證券買賣之證交資料;5.臺(tái)灣證券買賣所公開資訊觀測(cè)站一、應(yīng)變數(shù)本研討之應(yīng)變數(shù)為二元虛擬變數(shù)， Y=1 表示財(cái)務(wù)危機(jī)上市公司，Y=0 為正常上市公司。二、自變數(shù)(一) 財(cái)務(wù)變數(shù)因財(cái)務(wù)報(bào)表本身就具有解釋公司營(yíng)運(yùn)績(jī)效、評(píng)估企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)及評(píng)估公司財(cái)務(wù)能否建

33、全等的才干。因此本論文所運(yùn)用的財(cái)務(wù)變數(shù)，是從財(cái)務(wù)報(bào)表財(cái)務(wù)分析中常用的財(cái)務(wù)比率與過去文獻(xiàn)所採(cǎi)用財(cái)務(wù)比率變數(shù)，選取合適的財(cái)務(wù)構(gòu)面，共選取15項(xiàng)財(cái)務(wù)變數(shù)，詳列如下:表1財(cái)務(wù)變數(shù)表財(cái) 務(wù) 變 數(shù)X1負(fù)債比率 X9固定資產(chǎn)週轉(zhuǎn)率X2長(zhǎng)期資金適足性X10營(yíng)業(yè)毛利率 X3債本比X11淨(jìng)值報(bào)酬率 X4速動(dòng)比率 X12營(yíng)業(yè)利益率 X5流動(dòng)比率 X13營(yíng)業(yè)收入成長(zhǎng)率 X6現(xiàn)金流量比率 X14淨(jìng)值成長(zhǎng)率 X7應(yīng)收帳款週轉(zhuǎn)率X15營(yíng)業(yè)利益成長(zhǎng)率 X8存貨週轉(zhuǎn)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(shí)務(wù)守則 (民國(guó) 94 年 10 月19日修正)與國(guó)內(nèi)外文獻(xiàn)探討，共篩選出公司治理變數(shù)3個(gè)。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(zhì)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(yùn)用最為廣泛。3.3.1倒傳遞演算法羅華強(qiáng)(2001)對(duì)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(quán)值；W:純量權(quán)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(diǎn)。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(gòu)之財(cái)務(wù)危機(jī)預(yù)警模型網(wǎng)路架構(gòu)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(cái)務(wù)危機(jī)預(yù)警模型之網(wǎng)路架構(gòu) X:輸入自變數(shù); R:輸入的數(shù)目; P:輸入向量; a:轉(zhuǎn)移函數(shù)的輸出向量;LW:層權(quán)重值矩陣; n:轉(zhuǎn)移函數(shù)的淨(jìng)輸入;s:神經(jīng)元個(gè)數(shù); IW:輸入權(quán)重值矩陣tansig & logsig:轉(zhuǎn)移函數(shù)(附錄一); y:輸出應(yīng)變數(shù);w:純量權(quán)重值; b:純量偏權(quán)值，其為固定輸入值:1。3.4財(cái)務(wù)危機(jī)預(yù)警模型之建構(gòu)利

36、用倒傳遞類神經(jīng)網(wǎng)絡(luò)(Back-Propagation Network, BPN) 以十五個(gè)財(cái)務(wù)變數(shù)及三個(gè)公司治理變數(shù)，分別建構(gòu)財(cái)務(wù)危機(jī)事件發(fā)生前一季、前二季與前三季之臺(tái)灣上市公司財(cái)務(wù)危機(jī)預(yù)警模型(如圖3)。前一季F預(yù) 警 模 型前一季F&CG預(yù)警模型前二季F預(yù) 警 模 型前三季F&CG預(yù)警模型前三季F預(yù) 警 模 型前二季F&CG預(yù)警模型財(cái)務(wù)危機(jī)預(yù)警模型臺(tái)灣經(jīng)濟(jì)新報(bào)資料庫(kù)前一季前二季前三季模型預(yù)警才干比較分析F&CG預(yù)警模型F預(yù)警模型圖3 財(cái)務(wù)危機(jī)預(yù)警模型之架構(gòu)3.5倒傳遞類神經(jīng)網(wǎng)路運(yùn)作方式倒傳遞類神經(jīng)網(wǎng)路運(yùn)作方式，可分為學(xué)習(xí)過程及驗(yàn)證過程。(一) 學(xué)習(xí)過程類神經(jīng)網(wǎng)路能正確的運(yùn)作，則必須透過訓(xùn)練

37、的方式，讓類神經(jīng)網(wǎng)路反覆的學(xué)習(xí)，直到對(duì)於每個(gè)輸入都能正確對(duì)應(yīng)到所需求的輸出，因此在類神經(jīng)網(wǎng)路學(xué)習(xí)前，我們必須建立出一組訓(xùn)練樣本使類神經(jīng)網(wǎng)路在學(xué)習(xí)的過程中有一個(gè)依據(jù)，訓(xùn)練樣本的建立來自於實(shí)際系統(tǒng)輸入與輸出或是以往的經(jīng)驗(yàn)。類神經(jīng)網(wǎng)路的任務(wù)性能與訓(xùn)練樣本有直接的關(guān)係，假設(shè)訓(xùn)練樣本不正確、太少或是太類似，類神經(jīng)網(wǎng)路的任務(wù)區(qū)間與才干將大打折扣。類神經(jīng)網(wǎng)路訓(xùn)練的目的，就是讓類神經(jīng)網(wǎng)路的輸出越接近目標(biāo)值越佳。亦即，一樣的輸入值進(jìn)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(xùn)練前，其輸出是凌亂的，隨著訓(xùn)練次數(shù)的添加，類神經(jīng)網(wǎng)路的鍵結(jié)權(quán)重值會(huì)逐漸的被調(diào)整，使得目標(biāo)值與類神經(jīng)網(wǎng)路的輸出兩者誤差越來越小

38、。當(dāng)兩者的誤差幾乎不再變化時(shí)，我們稱此類神經(jīng)網(wǎng)路已收斂，此時(shí)類神經(jīng)網(wǎng)路便訓(xùn)練完成。(二) 驗(yàn)證過程當(dāng)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(shí)，網(wǎng)路會(huì)依據(jù)由學(xué)習(xí)過程所求得處理單元間之轉(zhuǎn)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(shí)證分析本研討以十五個(gè)財(cái)務(wù)變數(shù)及三個(gè)公司治理變數(shù)，並利用倒傳遞類神經(jīng)網(wǎng)路建構(gòu)臺(tái)灣上市公司財(cái)務(wù)危機(jī)預(yù)警模型，且將一切的產(chǎn)業(yè)納入財(cái)務(wù)危機(jī)預(yù)警模型，藉以建構(gòu)出能預(yù)警一切產(chǎn)業(yè)的財(cái)務(wù)危機(jī)預(yù)警模型。並將研討樣本區(qū)分成兩個(gè)部分為：(1)訓(xùn)練樣本，以決定財(cái)務(wù)危機(jī)預(yù)警網(wǎng)路的權(quán)重值與偏權(quán)(2)驗(yàn)證樣本，以驗(yàn)證財(cái)務(wù)危機(jī)預(yù)警的準(zhǔn)確度。其配對(duì)比例為1:2進(jìn)行配對(duì)，危

39、機(jī)上市公司與正常上市公司家比例如下:(1)訓(xùn)練樣本：33家危機(jī)公司，66家正常公司。 (2)驗(yàn)證樣本： 9家危機(jī)公司，18家正常公司。建構(gòu)模型區(qū)分為傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)警(F)模型與參與公司治理之財(cái)務(wù)危機(jī)預(yù)警 (F&CG)模型。4.1傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)警模型模擬結(jié)果以X1至X15之財(cái)務(wù)變數(shù)，為預(yù)警模型輸入自變數(shù)，以上市公司能否發(fā)生財(cái)務(wù)危機(jī)(0，1)為輸出應(yīng)變數(shù) Y=1 表示危機(jī)公司，Y=0 為正常公司。，建構(gòu)傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)警模型，結(jié)果如表3：表3前一至三季F預(yù)警模型驗(yàn)證模擬結(jié)果季 別前一季前二季前三季預(yù)警模型F&CG預(yù)警模型F&CG預(yù)警模型F&CG模型預(yù)警正確率(%)10088.8892.59型一錯(cuò)誤率

40、(%)007.40型二錯(cuò)誤率(%)011.110預(yù)警錯(cuò)誤樣本編號(hào)無6,21,2417,20由表3得知：(a)在F預(yù)警模型中，其驗(yàn)證樣本中預(yù)警錯(cuò)誤樣本編號(hào)為24，預(yù)警正確率96.29%、型一錯(cuò)誤率為0%與型二錯(cuò)誤率為3.70%。(b)在F預(yù)警模型中，其驗(yàn)證樣本中預(yù)警錯(cuò)誤樣本編號(hào)為6,19,21,24，預(yù)警正確率為85.18%、型一錯(cuò)誤率為0%與型二錯(cuò)誤率為11.11%。(c)在F警模型中，其驗(yàn)證樣本中預(yù)警錯(cuò)誤樣本編號(hào)為6,19,21,24，預(yù)警正確率為85.18%、型一錯(cuò)誤率為7.40%與型二錯(cuò)誤率為7.40%。4.2參與公司治理財(cái)務(wù)危機(jī)預(yù)警模型模擬結(jié)果以X1至X18之財(cái)務(wù)變數(shù)與公司治理變數(shù)，為

41、預(yù)警模型輸入自變數(shù)，以上市公司能否發(fā)生財(cái)務(wù)危機(jī)(0，1)為輸出應(yīng)變數(shù)，建構(gòu)參與公司治理財(cái)務(wù)危機(jī)預(yù)警模型，結(jié)果如表4：表4前一至三季F&CG預(yù)警模型驗(yàn)證模擬結(jié)果季 別前一季前二季前三季預(yù)警模型F預(yù)警模型F預(yù)警模型F預(yù)警模型預(yù)警正確率(%)96.2985.1885.18型一錯(cuò)誤率(%)007.40型二錯(cuò)誤率(%)3.7014.817.40預(yù)警錯(cuò)誤樣本編號(hào)驗(yàn)證樣本為27家上市公司，給予編號(hào)，由127。246,19,21,249,10,17,20由表4得知：(a)在F&CG預(yù)警模型中，其驗(yàn)證樣本中預(yù)警 錯(cuò)誤樣本編號(hào)為無，預(yù)警正確為100%、型 一錯(cuò)誤率為0%與型二錯(cuò)誤率為0%。(b)在F&CG預(yù)警模型

42、中，其驗(yàn)證樣本中預(yù)警 錯(cuò)誤樣本編號(hào)為6,21,24，預(yù)警正確率為88.88%型一錯(cuò)誤率0%為與型二錯(cuò)誤率為14.81%。(c)在F&CG預(yù)警模型中，其驗(yàn)證樣本中預(yù)警錯(cuò)誤樣本編號(hào)為17,20，預(yù)警正確率為92.59%、型一錯(cuò)誤率為7.40%與型二錯(cuò)誤率為0%。4.3 F模型與F&CG預(yù)警模型之結(jié)果分析由表5.研討結(jié)果顯示前一至前三季的預(yù)警錯(cuò)誤樣本分析得知，在參與公司治理財(cái)務(wù)危機(jī)預(yù)警(F&CG)模型，其預(yù)警錯(cuò)誤樣本，在傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)警模型中，一定會(huì)發(fā)生一樣錯(cuò)誤，但在傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)警模型所發(fā)生的預(yù)警錯(cuò)誤樣本，在參與公司治理後的F&CG預(yù)警模型，不一定會(huì)發(fā)生錯(cuò)誤。由此可知，F(xiàn)&CG預(yù)警模型，其鑑別財(cái)務(wù)

43、危機(jī)公司與正常公司之預(yù)警才干比F預(yù)警模型高。表5財(cái)務(wù)危機(jī)預(yù)警模型之預(yù)警錯(cuò)誤樣本財(cái)務(wù)危機(jī)預(yù)警模型預(yù)警錯(cuò)誤樣本編號(hào)前一季F預(yù)警模型24-F&CG預(yù)警模型-前二季F預(yù)警模型06212419F&CG預(yù)警模型062124-前三季F預(yù)警模型17200910F&CG預(yù)警模型1720-由圖4研討結(jié)果顯示公司治理變數(shù)納入財(cái)務(wù)預(yù)警模型中，是可以提升財(cái)務(wù)危機(jī)預(yù)警模型的預(yù)警才干，其預(yù)警正確率高於傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)警(F)模型。由前一季至前三季的參與公司治理之財(cái)務(wù)危機(jī)預(yù)警(F&CG)模型，其預(yù)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(cái)務(wù)危機(jī)前一季、前二季、前三季 ;

44、 Y軸為驗(yàn)證樣本之預(yù)警準(zhǔn)確率。 驗(yàn)證樣本之預(yù)警正確率伍、研討結(jié)論與建議5.1研討結(jié)論研討結(jié)果說明，添加董監(jiān)事持股比率、全體董、監(jiān)事質(zhì)押比率與主要經(jīng)理人持股比率3個(gè)公司治理變數(shù)可有效提升預(yù)警模型對(duì)財(cái)務(wù)危機(jī)上市公司與正常上市公司鑑別力。因此，也說明在財(cái)務(wù)危機(jī)預(yù)警模型添加新的輸入變數(shù) (Charitou, Neophytou, and Charalambous，2004)指出添加財(cái)務(wù)危機(jī)預(yù)警模型的輸入的資訊，可提升預(yù)警模型的對(duì)新的破產(chǎn)公司形態(tài)的解釋才干，進(jìn)而提升預(yù)警模型的預(yù)警才干。 -公司治理資訊，能提升上市公司財(cái)務(wù)危機(jī)預(yù)警模型的預(yù)警才干，進(jìn)而提早預(yù)警財(cái)務(wù)危機(jī)事件及預(yù)防舞弊的發(fā)生。 5.2研討建議本

45、研討證實(shí)倒傳遞類神經(jīng)網(wǎng)路所建構(gòu)財(cái)務(wù)危機(jī)預(yù)警模型能有效預(yù)警臺(tái)灣上市公司財(cái)務(wù)危機(jī)，但就實(shí)務(wù)上，上市公司財(cái)務(wù)危機(jī)之緣由除了以財(cái)務(wù)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(guó)際經(jīng)濟(jì)的衝擊等。因此，假設(shè)能將其他與財(cái)務(wù)危機(jī)有關(guān)的要素參與類神經(jīng)網(wǎng)路輸入變數(shù)中，再一次驗(yàn)證能否可以提升預(yù)警模型預(yù)警準(zhǔn)確率。促使財(cái)務(wù)危機(jī)預(yù)警模型的預(yù)警才干更為精準(zhǔn)。5.3研討假設(shè)與限制本研討的限制與假設(shè)有以下幾點(diǎn):1.對(duì)於財(cái)務(wù)性資料，由於已經(jīng)過會(huì)計(jì)師查核簽證及證管會(huì)之監(jiān)督，因此假設(shè)並無虛偽之情事，而予以信任。2.公司治理構(gòu)面多屬質(zhì)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(gòu)財(cái)務(wù)危機(jī)預(yù)警模型。6. 參考文獻(xiàn)1呂紹強(qiáng)(2000)，企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型之研討-以財(cái)務(wù)及非財(cái)務(wù)要素構(gòu)建，當(dāng)代會(huì)計(jì)，第一卷，第一期，p19-40。2柯承恩2000，我國(guó)公司監(jiān)理體系之問題與改進(jìn)建議上下。會(huì)計(jì)研討月刊， 173期，75-81；174期，79-833葉怡芳(2004)，構(gòu)建財(cái)務(wù)危機(jī)預(yù)警方式-支向機(jī)與羅吉斯之應(yīng)用，元智大學(xué)會(huì)計(jì)研討所。4鄧志豪，1999，以分類樣本偵測(cè)地雷股新財(cái)務(wù)危機(jī)預(yù)警模型，國(guó)立政治大學(xué)碩士論文。5蕭天厚(2000)，企業(yè)財(cái)務(wù)危機(jī)要素認(rèn)知之研討-從公司監(jiān)理角度之探討，國(guó)立臺(tái)灣大學(xué)會(huì)計(jì)學(xué)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