醫(yī)藥企業(yè)財(cái)務(wù)壓力測(cè)試體系研究

1、醫(yī)藥企業(yè)財(cái)務(wù)壓力測(cè)試體系研究摘要：技術(shù)更迭和經(jīng)濟(jì)增長(zhǎng)周期導(dǎo)致外部環(huán)境具有不確定性，以及企業(yè)內(nèi)部的經(jīng)營(yíng)決策和 管理，都使企業(yè)面臨財(cái)務(wù)壓力困境。醫(yī)藥研發(fā)和制造是資本密集與技術(shù)性產(chǎn)業(yè)，對(duì)財(cái)務(wù)壓 力敏感性高。因此，選取 20132018年滬深A(yù)股醫(yī)藥制造業(yè)上市公司為研究樣本，以財(cái) 務(wù)及非財(cái)務(wù)指標(biāo)構(gòu)建財(cái)務(wù)壓力測(cè)試體系，通過(guò)主成分分析對(duì)指標(biāo)進(jìn)行簡(jiǎn)化后，采用BP神經(jīng)網(wǎng)絡(luò)探索和測(cè)試醫(yī)藥企業(yè)財(cái)務(wù)壓力。研究證明：基于PCA-BP#經(jīng)網(wǎng)絡(luò)的穩(wěn)定性和準(zhǔn)確度為我國(guó)醫(yī)藥制造業(yè)上市公司構(gòu)建財(cái)務(wù)壓力測(cè)試指標(biāo)體系，并針對(duì)不同壓力等級(jí)進(jìn)行預(yù)測(cè) 準(zhǔn)確率檢驗(yàn)，認(rèn)為該體系能夠較好測(cè)試財(cái)務(wù)壓力，提供一種具有現(xiàn)實(shí)意義可行且突破線性 關(guān)系研

2、究的新途徑。一、引言當(dāng)前，我國(guó)經(jīng)濟(jì)發(fā)展呈現(xiàn)出速度變化、結(jié)構(gòu)優(yōu)化、動(dòng)力轉(zhuǎn)化三個(gè)發(fā)展特點(diǎn)，經(jīng)濟(jì)發(fā)展模式 由高速發(fā)展階段轉(zhuǎn)向高質(zhì)量發(fā)展階段。由此，我國(guó)企業(yè)將面臨經(jīng)濟(jì)結(jié)構(gòu)調(diào)整、競(jìng)爭(zhēng)態(tài)勢(shì)升 級(jí)系統(tǒng)性風(fēng)險(xiǎn)，來(lái)自內(nèi)外部環(huán)境的財(cái)務(wù)壓力會(huì)與日俱增醫(yī)藥行業(yè)作為關(guān)乎國(guó)計(jì)民生的戰(zhàn)略性產(chǎn)業(yè)與高新技術(shù)產(chǎn)業(yè)，是中國(guó)制造2025的重點(diǎn)發(fā)展領(lǐng)域，是推進(jìn)我國(guó)醫(yī)療體制改革和供給側(cè)改革的重要抓手。從產(chǎn)業(yè)結(jié)構(gòu)來(lái)看，目前，我 國(guó)醫(yī)藥企業(yè)面臨低端供應(yīng)過(guò)剩，高端供應(yīng)不足的結(jié)構(gòu)性失調(diào)，推進(jìn)改革勢(shì)在必行。從產(chǎn)業(yè) 特征而言，醫(yī)藥行業(yè)是一個(gè)多元化的特殊行業(yè)，由于其外部性比較強(qiáng)，政府政策引導(dǎo)和規(guī) 范等方面的規(guī)制比較嚴(yán)格，該產(chǎn)業(yè)對(duì)國(guó)家政策敏感，系統(tǒng)性風(fēng)

3、險(xiǎn)較高；其中，藥品研發(fā)和 生產(chǎn)企業(yè)屬于典型的資金密集型行業(yè)，其高成本、高杠桿率的特點(diǎn)，決定著該行業(yè)財(cái)務(wù)壓 力相對(duì)較高。潛在的財(cái)務(wù)壓力一旦蔓延為財(cái)務(wù)危機(jī)的爆發(fā)，將為醫(yī)藥企業(yè)帶來(lái)不可預(yù)估的損失。例如，2019年5月證監(jiān)會(huì)報(bào)告證實(shí)康美藥業(yè)存在財(cái)務(wù)造假行為，2019年6月財(cái)政部聯(lián)合國(guó)家醫(yī)保局對(duì) 77家藥企進(jìn)行會(huì)計(jì)核查，對(duì)醫(yī)藥行業(yè)提出嚴(yán)格的合法合規(guī)經(jīng)營(yíng)要求， 使醫(yī)藥企業(yè)高度關(guān)注自身的財(cái)務(wù)健康。與此同時(shí)，新型冠狀病毒肺炎、禽流感等一系列高 度傳染病頻發(fā)，醫(yī)藥企業(yè)的應(yīng)急治療體系與管理水平面臨新的嚴(yán)峻挑戰(zhàn)。這既是推進(jìn)醫(yī)療 體制改革的必然要求，又是推進(jìn)醫(yī)藥行業(yè)供給側(cè)改革的重要體現(xiàn)。提高醫(yī)藥行業(yè)發(fā)展水平 的可持續(xù)

4、性，對(duì)促進(jìn)產(chǎn)業(yè)升級(jí)具有重要意義。因此，在新形勢(shì)下構(gòu)建醫(yī)藥制造業(yè)上市公司財(cái)務(wù)壓力測(cè)試體系對(duì)于醫(yī)藥企業(yè)的健康持續(xù)發(fā)展是十分必要的。二、文獻(xiàn)回顧與評(píng)述學(xué)術(shù)界尚未對(duì)“財(cái)務(wù)壓力”形成統(tǒng)一權(quán)威的定義。從財(cái)務(wù)角度，財(cái)務(wù)壓力是指對(duì)公司形成 的行為壓迫，主要包括償債壓力、保殼壓力、保盈壓力和現(xiàn)金流壓力針對(duì)財(cái)務(wù)壓力的表現(xiàn)形式及影響，國(guó)內(nèi)外學(xué)者開展實(shí)證研究，從不同角度進(jìn)行闡述。Hernando et al.（二）財(cái)務(wù)壓力測(cè)試由于財(cái)務(wù)壓力概念的尚未統(tǒng)一，現(xiàn)有學(xué)者評(píng)價(jià)財(cái)務(wù)壓力的方式各不相同。財(cái)務(wù)壓力測(cè)試模型的研究成果主要包括 GM陳統(tǒng)估計(jì)器、面板數(shù)據(jù)器、二元 VAR FCF壓力測(cè)試機(jī)制、選 取多變量模型、管理嫡等測(cè)試方

5、法。國(guó)外研究在20世紀(jì)90年代就已經(jīng)出現(xiàn)了早期的測(cè)試方法。基本的估算方法是考慮一系列公司成果，并將每個(gè)成果與財(cái)務(wù)壓力相關(guān)聯(lián)，后者通 過(guò)與還本付息相關(guān)的財(cái)務(wù)壓力以及公司的基本凈債務(wù)狀況來(lái)衡量，對(duì)于連續(xù)變量，估計(jì)方 法由 Arellano et al.基于國(guó)內(nèi)外研究現(xiàn)狀的探討，發(fā)現(xiàn)國(guó)內(nèi)外研究成果存在較大差異，不同的測(cè)試方法有其自 身使用的優(yōu)劣勢(shì)。國(guó)外的研究成果都是建立在國(guó)外自身的政策環(huán)境和市場(chǎng)變化的實(shí)際情況 之上的，相較我國(guó)政策和環(huán)境存在差異性，其研究成果未必符合我國(guó)企業(yè)現(xiàn)狀，適用性值 得商榷。而國(guó)內(nèi)對(duì)財(cái)務(wù)壓力的測(cè)試方法集中于理論方面的規(guī)范研究，忽略行業(yè)差異，測(cè)試 效果不理想?？傮w而言，現(xiàn)有的財(cái)務(wù)

6、壓力測(cè)試并不成體系，并未綜合反映企業(yè)在運(yùn)營(yíng)過(guò)程 中所面臨的復(fù)雜實(shí)際環(huán)境與人際關(guān)系及相應(yīng)的壓力水平?；谛袠I(yè)和公司的不同，財(cái)務(wù)壓 力測(cè)試體系的選擇也不盡相同。在選擇財(cái)務(wù)壓力測(cè)試方法時(shí)不僅要綜合考慮國(guó)家政策和市 場(chǎng)環(huán)境等外部財(cái)務(wù)壓力影響因素，而且要體現(xiàn)其產(chǎn)業(yè)特征，不同的行業(yè)都有其不同適用的 財(cái)務(wù)壓力測(cè)試方法。本文以我國(guó)制度政策與市場(chǎng)條件為背景，借鑒國(guó)內(nèi)外的研究經(jīng)驗(yàn)，采用PCA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)我國(guó)醫(yī)藥制造業(yè)上市公司財(cái)務(wù)壓力進(jìn)行測(cè)試，以期為該行業(yè)上市公司管理者、投資 者提供參考。該模型首先利用主成分分析進(jìn)行降維處理，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)輸入端數(shù)據(jù)；其次通過(guò)網(wǎng)絡(luò)的信息向前傳遞繼而誤差向后傳播，連續(xù)修正權(quán)

7、重值，致使模型的輸出值接 近于目標(biāo)值，從而形成穩(wěn)定的測(cè)試體系。該測(cè)試體系運(yùn)用主成分分析進(jìn)行模型優(yōu)化，減少 BP神經(jīng)網(wǎng)絡(luò)的不足，同時(shí)其又具有自學(xué)習(xí)、自適應(yīng)、自組織以及高容錯(cuò)性等優(yōu)點(diǎn)，是解決 非線性問(wèn)題的準(zhǔn)確性較高的信息處理系統(tǒng)，可成為企業(yè)財(cái)務(wù)壓力測(cè)試的有效工具。三、研究設(shè)計(jì)與樣本選擇（一）研究設(shè)計(jì)1 .主成分分析法主成分分析法(Principal component analysis,PCA )用于提取多個(gè)變量的主要成分，將 具有相關(guān)性的變量主成分線性變換為不關(guān)聯(lián)的新變量，既能簡(jiǎn)化變量的數(shù)量復(fù)雜度，又能 保留原有變量所代表的大部分信息，使新的變量具有命名解釋權(quán)。其中，Y為主成分向量，P為X的協(xié)方

8、差矩陣最大特征根的單位特征向量e轉(zhuǎn)置而成。2 . BP神經(jīng)網(wǎng)絡(luò)(1)BP神經(jīng)網(wǎng)絡(luò)原理BP神經(jīng)網(wǎng)絡(luò)(back propaganda network )是基于誤差反向傳播算法的多層前饋網(wǎng)絡(luò)，被 廣泛應(yīng)用于預(yù)測(cè)模型。BP神經(jīng)網(wǎng)絡(luò)的基本原理是為輸入的初始樣本數(shù)據(jù)賦予隨機(jī)的權(quán)重， 通過(guò)對(duì)輸出結(jié)果和目標(biāo)數(shù)據(jù)進(jìn)行比對(duì)，計(jì)算出誤差，通過(guò)對(duì)誤差梯度下降反向傳播以修正 之前的隨機(jī)權(quán)重，最終達(dá)到收斂于目標(biāo)數(shù)據(jù)，即完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練(2)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層、隱藏層，同時(shí)包括對(duì)傳遞函數(shù)的參數(shù)設(shè)置。BP神經(jīng)網(wǎng)絡(luò)每層包含多個(gè)神經(jīng)元，與其上下層實(shí)現(xiàn)信號(hào)傳遞連接，實(shí)現(xiàn)三層的非線性映射，信號(hào)容 錯(cuò)能力

9、強(qiáng)。輸入層接受輸入信號(hào)，輸入層的節(jié)點(diǎn)數(shù)為n,n的取值視樣本情況而定，輸入矢量 P=(p(3)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程信息的正向傳播過(guò)程：輸入層接受輸入信號(hào)，即樣本指標(biāo)數(shù)據(jù)，繼而進(jìn)行向前傳播運(yùn)算， 經(jīng)過(guò)隱藏層傳遞函數(shù)計(jì)算得到輸出信號(hào)，即輸出層輸出結(jié)果產(chǎn)生。與預(yù)期目標(biāo)對(duì)比，若不符合則進(jìn)行誤差反向傳播，即實(shí)際輸出(T)與目標(biāo)輸出(Y)的誤差(E),如式2,直至E達(dá)到預(yù)期目標(biāo)，否則進(jìn)行反向傳播過(guò)程。上式經(jīng)隱藏層計(jì)算，在輸出層計(jì)算時(shí)為式3:誤差E是關(guān)于W誤差的反向傳播過(guò)程：更新權(quán)值的目的是減少總誤差值，因此需使梯度下降與權(quán)值變化量 成正比。即：上式分別經(jīng)隱藏層和和輸出層展開，n 為學(xué)習(xí)率，由鏈?zhǔn)椒▌t得出：

10、 上式是各層權(quán)值的變化增量，由其迭代更新下一次的權(quán)值，更新后的權(quán)值為: 得到隱藏層和輸出層新的權(quán)值后，再次進(jìn)行正向傳播過(guò)程。正反向傳播操作反復(fù)交替，直 至收斂于目標(biāo)數(shù)據(jù)。（二）樣本和數(shù)據(jù)來(lái)源本文選取證監(jiān)會(huì)行業(yè)分類下20132018年醫(yī)藥制造業(yè)財(cái)務(wù)數(shù)據(jù)作為樣本，剔除數(shù)據(jù)缺損企業(yè)和ST企業(yè)，確立有效樣本 267例。數(shù)據(jù)均來(lái)源于 Wind數(shù)據(jù)庫(kù)，采用SPSS 25.0和 Matlab R2019b分別進(jìn)行主成分分析和搭建 BP神經(jīng)網(wǎng)絡(luò)模型。（三）變量選取圍繞著財(cái)務(wù)壓力的表現(xiàn)形式，依據(jù)醫(yī)藥制造業(yè)的行業(yè)特點(diǎn)，在符合指標(biāo)相關(guān)性、重要性、 代表性、可操作性等的原則下選取。通過(guò)成長(zhǎng)能力、盈利能力、償債能力、營(yíng)

11、運(yùn)能力和公 司治理等方面，綜合選取 13個(gè)財(cái)務(wù)指標(biāo)和6個(gè)非財(cái)務(wù)指標(biāo)來(lái)衡量財(cái)務(wù)壓力，見(jiàn)表1。四、實(shí)證結(jié)果與分析（一）主成分分析財(cái)務(wù)指標(biāo)之間存在一定的相關(guān)關(guān)系，為解決共線性問(wèn)題并簡(jiǎn)化體系需進(jìn)行主成分降維處理， 并且若信息間冗余較大，則 BP神經(jīng)網(wǎng)絡(luò)可能出現(xiàn)局部最優(yōu)、收斂速度慢等導(dǎo)致預(yù)測(cè)效果 不佳。為消除變量之間的信息冗余，采用主成分（ PCA分析法優(yōu)化測(cè)試效果。如表2所示，對(duì)選取的指標(biāo)變量進(jìn)行KM5口 Barlett ' s球形度檢驗(yàn)，KMO羊本測(cè)度值為0.601（0.6）,Barlett' s球形度檢驗(yàn)Sig值在1%勺水平上顯著，說(shuō)明選取的變量間重疊度較高，存在一定的相關(guān)性，需進(jìn)

12、行主成分分析（ PCA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是必要的。然后，對(duì)數(shù)據(jù)進(jìn)行主成分分析，結(jié)果如表 3所示。根據(jù)特征值法，前 7個(gè)主成分特征值大 于1,說(shuō)明前7個(gè)主成分可以較好地代表原來(lái) 19個(gè)指標(biāo)所具有的信息并提取 7個(gè)主成分。 根據(jù)不同的方差貢獻(xiàn)率作為權(quán)重算出每個(gè)主成分的綜合得分。（二）描述性統(tǒng)計(jì)將提取的主成分按貢獻(xiàn)權(quán)重計(jì)算得出綜合得分，如表4所示，在樣本50冊(cè)位數(shù)時(shí)，財(cái)務(wù)壓力得分為-0.0315 ,表示大部分樣本公司財(cái)務(wù)壓力表現(xiàn)得分都為負(fù)數(shù)；極大值為1.0086 ,極小值為-2.3217 ,標(biāo)準(zhǔn)差為0.4098,表明樣本公司財(cái)務(wù)壓力表現(xiàn)差異較大。（三）PCA-BP#經(jīng)網(wǎng)絡(luò)模型構(gòu)建1,初始參數(shù)(1 )輸

13、入層設(shè)置：選取衡量財(cái)務(wù)壓力的19個(gè)指標(biāo)，輸入層設(shè)置為19個(gè)節(jié)點(diǎn)。(2)輸出層設(shè)置：通過(guò)公式 10計(jì)算出樣本數(shù)據(jù)財(cái)務(wù)壓力綜合得分作為目標(biāo)值，因此輸出 層設(shè)置1個(gè)節(jié)點(diǎn)，使用輸出值與目標(biāo)值進(jìn)行比對(duì)。(3)隱藏層設(shè)置：設(shè)置輸入層為19個(gè)節(jié)點(diǎn)，輸出層為1個(gè)節(jié)點(diǎn)，隱藏層為j個(gè)神經(jīng)元的三層神經(jīng)網(wǎng)絡(luò)，其參數(shù)估算方法為：設(shè)輸入列向量為P隱藏層輸出向量為：輸出層輸出向量為：2,模型構(gòu)建通過(guò)PCA-BP神經(jīng)網(wǎng)絡(luò)對(duì)財(cái)務(wù)壓力進(jìn)行預(yù)測(cè)的基本思想，首先使用主成分分析法進(jìn)行降維， 然后設(shè)置神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)，通過(guò)充分訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進(jìn)行財(cái)務(wù)壓力預(yù)測(cè)。網(wǎng)絡(luò)訓(xùn)練過(guò)程為：(1 )設(shè)置初始權(quán)重為0到1之間的隨機(jī)值。(2 )將主成分分析后提取

14、的因子作為神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)。(3)劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集比例分別為樣本總數(shù)的70% 15% 15%(4)設(shè)置隱藏層神經(jīng)元節(jié)點(diǎn)為10。(5)通過(guò)輸入層節(jié)點(diǎn)與鏈接權(quán)重矩陣相乘再以Sigmoid激活函數(shù)計(jì)算隱藏層輸出值，通過(guò)隱藏層節(jié)點(diǎn)與連接權(quán)重矩陣相乘再通過(guò)Sigmoid激活函數(shù)計(jì)算輸出層輸出值。(6)應(yīng)用均方誤差法(Mean Squared Error )計(jì)算輸出值與目標(biāo)值的誤差。(7 )使用Levenberg-Marquar出算法對(duì)誤差進(jìn)行梯度下降修正權(quán)重。(四)模型分析基于以上模型構(gòu)建，使用訓(xùn)練集的187組樣本對(duì)PCA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以此驗(yàn)證模型有效性。圖2為誤差直方圖，橫軸為

15、誤差均方，縱軸為樣本數(shù)。均方差越接近0,表明訓(xùn)練擬合結(jié)果越符合真實(shí)值，但是由于神經(jīng)網(wǎng)絡(luò)梯度下降是通過(guò)迭代收斂逼近解析式，所 以誤差結(jié)果不可能為0,若訓(xùn)練輸出結(jié)果偏離 0值較多，則可能認(rèn)為存在數(shù)據(jù)錯(cuò)誤；若訓(xùn) 練輸出結(jié)果較多集中于遠(yuǎn)離零度線的邊緣，則可以認(rèn)為原數(shù)據(jù)重復(fù)程度較高，不具有泛適 性，可能需要添加數(shù)據(jù)進(jìn)行重新訓(xùn)練。如圖 2所示，本文選取的大部分樣本誤差均方為 0.0000,較零誤差線為輕微右偏，說(shuō)明訓(xùn)練校對(duì)結(jié)果較好，誤差較小。圖3為迭代次數(shù)誤差圖，橫軸為模型實(shí)務(wù)迭代次數(shù)，縱軸為網(wǎng)絡(luò)的誤差均方。由圖 3可以 觀察到誤差函數(shù)變化情況，不斷迭代中誤差不斷減小，當(dāng)網(wǎng)絡(luò)誤差經(jīng)過(guò)反復(fù)權(quán)值修正直至 期望

16、目標(biāo)誤差時(shí)，網(wǎng)絡(luò)停止訓(xùn)練。為了防止過(guò)度擬合，則將總體樣本分為訓(xùn)練集(Train )、檢驗(yàn)集(Validation )和測(cè)試集(Test),在訓(xùn)練過(guò)程中，只有訓(xùn)練集數(shù)據(jù) 參與訓(xùn)練，其他兩個(gè)集數(shù)據(jù)用于檢驗(yàn)。在訓(xùn)練過(guò)程中，訓(xùn)練集的誤差會(huì)不斷減小，其他兩 部分也會(huì)逐漸減小，隨著訓(xùn)練擬合進(jìn)行，檢驗(yàn)集數(shù)據(jù)誤差呈現(xiàn)不下降甚至上升趨勢(shì)，在檢 驗(yàn)集數(shù)據(jù)上升6次時(shí)，為了防止過(guò)度擬合則停止訓(xùn)練。圖3中BP神經(jīng)網(wǎng)絡(luò)模型在1 000次迭代時(shí)訓(xùn)練樣本誤差均方為 0.0000 ,誤差降到最低，即達(dá)到最優(yōu)擬合，此時(shí)網(wǎng)絡(luò)達(dá)到穩(wěn) 定狀態(tài)。圖4為輸出值目標(biāo)值擬合圖，橫坐標(biāo)為目標(biāo)值，縱坐標(biāo)為輸出值，是對(duì)數(shù)據(jù)擬合結(jié)果和目 標(biāo)值的回D3

17、分析，R值為擬合程度，取值為 0和1之間，用于測(cè)量輸出值與目標(biāo)值之間的 相關(guān)度，R值越接近1,數(shù)據(jù)集中分布與回歸線則結(jié)果擬合程度較好。依圖 4所示，目標(biāo) 值與輸出值呈線性回歸，且總體樣本擬合度為1,模型擬合度較好。由此，醫(yī)藥企業(yè)的財(cái)務(wù)壓力測(cè)試模型的擬合效果較好。(五)模型預(yù)測(cè)概率通過(guò)k-均值聚類對(duì)267個(gè)樣本的綜合得分進(jìn)行分類，從 5到1將財(cái)務(wù)壓力由大到小分為五 個(gè)等級(jí)，對(duì)比分析神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，檢驗(yàn)訓(xùn)練過(guò)后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確率。依據(jù)表6可知，財(cái)務(wù)壓力高的樣本數(shù)為 2,預(yù)測(cè)錯(cuò)誤數(shù)為0,預(yù)測(cè)準(zhǔn)確率為100%財(cái)務(wù)壓 力較高的樣本數(shù)為36,預(yù)測(cè)錯(cuò)誤數(shù)為2,預(yù)測(cè)準(zhǔn)確率為94.44%;財(cái)務(wù)壓力中等的樣本

18、數(shù)為 98,預(yù)測(cè)錯(cuò)誤數(shù)為3,預(yù)測(cè)準(zhǔn)確率為96.94%;財(cái)務(wù)壓力較低的樣本數(shù)為 92,預(yù)測(cè)錯(cuò)誤數(shù)為 1,預(yù)測(cè)準(zhǔn)確率為98.91%;財(cái)務(wù)壓力低的樣本數(shù)為 39,預(yù)測(cè)錯(cuò)誤數(shù)為0,預(yù)測(cè)準(zhǔn)確率為 100%總體預(yù)測(cè)準(zhǔn)確率為 97.75%?？傮w有較好的預(yù)警效果。五、結(jié)論與展望 當(dāng)前，我國(guó)處于新常態(tài)經(jīng)濟(jì)轉(zhuǎn)型時(shí)期，醫(yī)藥企業(yè)競(jìng)爭(zhēng)態(tài)勢(shì)升級(jí)致使財(cái)務(wù)壓力劇增，實(shí)時(shí)測(cè) 試財(cái)務(wù)壓力是醫(yī)藥企業(yè)推進(jìn)新技術(shù)改革持續(xù)健康發(fā)展的首要目標(biāo)。本文通過(guò)主成分分析對(duì) 輸入變量進(jìn)行改進(jìn)進(jìn)而優(yōu)化 BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建科學(xué)、客觀的測(cè)試體系，并將我國(guó)醫(yī)藥制 造業(yè)上市公司財(cái)務(wù)壓力分為高、較高、中等、較低、低五個(gè)等級(jí)，且針對(duì)不同壓力等級(jí)進(jìn) 行預(yù)測(cè)準(zhǔn)確率，檢驗(yàn)發(fā)現(xiàn)該體系能有效測(cè)